01
电价预测概述
电力市场背景 · 电价影响因素 · 预测难度与挑战 · 课程目标与学习路径
背景挑战路径
02
数据采集与清洗
数据来源（PJM、Nord Pool等）· 缺失值处理 · 异常值检测 · 时间对齐
PJM清洗对齐
03
特征工程基础
时间特征（小时、星期、季节）· 滞后特征 · 滑动窗口统计 · 节假日特征
时间特征滞后节假日
04
探索性数据分析（EDA）
电价分布可视化 · 相关性热力图 · 季节性分解 · 趋势与周期分析
可视化热力图分解
05
基线模型建立
朴素预测法 · 历史平均法 · 简单线性回归 · 评估指标（MAE、RMSE、MAPE）
基线回归MAE
06
线性回归调优
正则化（L1/L2）· 特征选择 · 多项式特征 · 交叉验证策略
L1/L2多项式CV
07
决策树与随机森林
树模型原理 · 随机森林参数调优（n_estimators、max_depth）· 特征重要性
随机森林调优重要性
08
梯度提升树（GBDT）
XGBoost原理 · LightGBM与CatBoost对比 · 早停策略 · 学习率调优
XGBoostLightGBM早停
09
时间序列模型（ARIMA）
平稳性检验 · 差分阶数确定 · ACF/PACF分析 · 模型诊断
ARIMA差分ACF
10
季节性时间序列（SARIMA）
季节性周期确定 · SARIMA参数调优 · 残差分析 · 预测区间
SARIMA季节残差
11
Prophet模型
Facebook Prophet原理 · 趋势与季节性分解 · 节假日效应 · changepoint调优
Prophet节假日变点
12
长短期记忆网络（LSTM）
RNN基础 · LSTM原理 · 序列构建 · 时间步长与批大小调优
LSTM序列批大小
13
CNN与混合模型
1D-CNN提取局部特征 · CNN-LSTM混合架构 · 注意力机制引入
1D-CNN混合注意力
14
Transformer与时间序列
自注意力机制 · 位置编码 · Informer与Autoformer简介 · 实战对比
TransformerInformer对比
15
集成学习策略
Stacking · Blending · 加权平均 · 模型多样性分析
StackingBlending多样性
16
超参数优化基础
网格搜索 · 随机搜索 · 贝叶斯优化（Optuna/Hyperopt）
网格随机Optuna
17
贝叶斯优化实战
高斯过程代理模型 · 采集函数（EI/PI/UCB）· Optuna调优案例
高斯过程EIOptuna
18
特征选择与降维
方差阈值 · 互信息 · 递归特征消除（RFE）· PCA与t-SNE
RFEPCAt-SNE
19
数据增强与合成
时间序列数据增强（时间扭曲、缩放）· SMOTE · 生成对抗网络（GAN）初探
增强SMOTEGAN
20
模型评估与验证
时间序列交叉验证（TimeSeriesSplit）· 滚动预测评估 · 回测框架搭建
TimeSeriesSplit回测滚动
21
损失函数定制
分位数损失 · Huber损失 · 自定义不对称损失 · 业务导向优化
分位数Huber不对称
22
模型解释性
SHAP值分析 · LIME局部解释 · 特征依赖图 · 部分依赖图（PDP）
SHAPLIMEPDP
23
异常电价预测
极端值检测 · 峰值预测 · 风险度量（VaR/CVaR）· 阈值优化
异常VaR阈值
24
多步预测策略
递归多步 · 直接多步 · 多输出策略 · Seq2Seq模型
递归直接Seq2Seq
25
概率预测
分位数回归 · 贝叶斯神经网络 · MC Dropout · 预测区间校准
分位数回归贝叶斯MC Dropout
26
实时预测系统
模型轻量化（剪枝/量化）· 在线学习 · 增量更新 · 延迟优化
轻量化在线学习延迟
27
模型部署与API
Flask/FastAPI搭建服务 · Docker容器化 · 模型版本管理 · 监控告警
FastAPIDocker监控
28
案例实战（一）
基于PJM数据的日前电价预测 —— 从数据到模型全流程
PJM日前全流程
29
案例实战（二）
基于Nord Pool数据的实时电价预测 —— 高频模型调优
Nord Pool实时高频
30
总结与进阶
课程回顾 · 前沿方向（图神经网络、强化学习）· 学习资源推荐 · 职业发展建议
GNN强化学习资源