时间序列分析是一种针对时序数据处理的方法，涉及统计学、数据挖掘、数据建模、机器学习等多种技术。本书系统地介绍时间序列分析的关键方法，主要包括三方面内容；首先简单介绍经典的统计学部分，如自回归与移动平均模型；其次详细介绍常规方法，如线性回归与Prophet模型；最后系统论证深度学习部分，如RNN与TCN模型。此外，实战应用中将注意力机制应用到时间序列分析，通过Transformer模型对序列进行建模。本书理论结合实战，具有很强的实践性，不仅适合企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机、金融或人工智能专业师生使用Python语言学习时间序列分析的参考书。

第1章 初识时间序列
1.1 时间序列的概念
1.2 时间序列的特点
1.3 统计学基础
1.4 时间序列的分解
第2章 线性时间序列分析
2.1 平稳性
2.2 自相关性
2.3 白噪声与随机游走
2.4 自回归移动平均模型
第3章 时间序列分析常用模型
3.1 线性回归模型
3.2 Prophet模型
3.3 NeuralProphet模型
第4章 神经网络
4.1 人工神经网络
4.2 神经网络的基本原理
4.3 神经网络实战
4.4 卷积神经网络(CNN)
第5章 RNN应用子时间序列
5.1 循环神经网络(RNN)
5.2 LSTM模型
5.3 GRU模型
5.4 神经网络训练中的优化技巧
5.5 LSTM实战
第6章 CNN应用于时间序列
6.1 因果卷积
6.2 空洞卷积／膨胀卷积
6.3 残差模块
6.4 权重归一化
6.5 TCN模型
6.6 TCN实战
第7章 Transformer应用于时间序列
7.1 Seq2Seq
7.2 注意力Attention
7.3 位置编码
7.4 前馈网络(FFN)
7.5 层归一化
7.6 Transformer模型结构
7.7 Transformer实战
附录A 数据集介绍
A.1 数据集
A.2 数据可视化
A.3 数据处理