多步预测模型构建与实战技巧

📚 共计 30 章节

课程导论：什么是多步预测？

为什么需要多步预测？典型应用场景：股票、天气、电力负荷。

问题定义与数学建模

多步预测数学形式化定义，输入输出维度分析，单步 vs 多步本质区别。

数据准备基础

时间序列平稳性检验(ADF)，差分操作，数据重采样与对齐。

预处理平稳性

特征工程（上）

滞后特征、滚动窗口统计量、时间特征(年/月/日/星期)。

特征工程（下）

外生变量处理、傅里叶变换特征、小波变换、特征选择与重要性排序。

递归多步预测 (Recursive)

原理、代码实现、优缺点分析。

直接多步预测 (Direct)

原理、代码实现、优缺点分析。

多输出多步预测 (Multi-output)

原理、代码实现、优缺点分析。

多输出策略

Seq2Seq 多步预测

编码器-解码器架构、Teacher Forcing 技术、实战案例。

Seq2Seq编码器

ARIMA 与 SARIMA 模型

模型识别、定阶、残差分析、多步预测实现。

XGBoost 多步预测

特征构造、模型训练、超参数调优。

XGBoost机器学习

LightGBM 多步预测

与XGBoost对比、直方图算法优势、实战。

LSTM 多步预测

网络结构设计、序列输入输出格式、Keras实战。

LSTM深度学习

门控机制对比、双向信息利用、实战效果对比。

因果卷积、膨胀卷积、感受野计算、多步预测应用。

Transformer 时间序列预测

自注意力机制、位置编码、实战案例。

Transformer注意力

Informer 模型

ProbSparse自注意力、蒸馏操作、长序列预测。

Informer长序列

Autoformer 与 FEDformer

分解架构、季节趋势分解、频率增强模块。

集成学习：Stacking & Blending

基学习器选择、元学习器训练、实战。

概率预测方法

分位数回归、MC Dropout、DeepAR、预测区间构建。

多步预测评估指标

MAE/MSE/RMSE/MAPE/SMAPE/MASE详解与代码实现。

模型验证策略

滚动时间序列交叉验证、扩展窗口、滑动窗口验证。

验证交叉验证

超参数调优

网格搜索、随机搜索、贝叶斯优化(Optuna)、早停策略。

数据泄露与过拟合

时间序列特有数据泄露场景、防止未来信息泄露技巧。

泄露过拟合

校准与后处理

预测值平滑、异常值截断、业务规则约束。

后处理校准

实战项目一：电力负荷预测

LSTM+Attention：数据探索、模型构建、结果分析。

实战项目二：股票价格预测

Transformer：特征工程、模型训练、回测评估。

股票Transformer

实战项目三：天气温度预测

XGBoost+特征工程：数据清洗、特征构造、模型部署。

模型部署与MLOps

模型序列化(ONNX/TensorRT)、API服务(FastAPI)、监控告警。

课程总结与前沿展望

多步预测挑战(误差累积、长程依赖)、未来方向(基础模型、扩散模型)。