随着大数据的发展，自然科学、社会科学、工业工程、金融科技等领域都积累了海量的数据。在这些海量的数据中，时间序列数据（按时间戳顺序依次到达的数据）是其中重要的组成部分。时间序列预测问题是根据已有的时间序列数据，来预测其未来一段时间的状态。该问题有着广泛的应用场景，比如在金融领域被使用来做现金流量预测、股票价格预测，在零售行业被使用来做业务收入预测、库存消耗预测，在旅游行业被使用来预测旅游订单量、客服服务量等，在气象、人口密度预测来帮助决策者做出有效决策。本书首先对基于深度学习时间序列预测方法提出的理论依据进行分析，然后对其中涉及的关键技术进行研究。最后，针对各种真实场景的时间序列预测问题进行了分别的研究和测试。

第一章 时间序列预测技术概述
第一节 时间序列预测技术的研究意义
第二节 时间序列预测问题描述
第三节 时间序列预测的技术评价指标和性能分析方法
第四节 时间序列预测技术测试数据集
第五节 时间序列预测应用前景
第二章 时间序列数据的预处理
第一节 数据清理
第二节 特征抽取
第三节 时间序列数据的表示方法
第四节 相似性度量
第五节 数据增强
第三章 时间序列分类
第一节 分类器
第二节 单变量时间序列分类方法
第三节 多变量时间序列分类方法
第四章 传统时间序列预测方法
第一节 自回归模型
第二节 移动平均模型
第三节 自回归移动平均模型
第四节 自回归综合移动平均模型
第五节 自回归条件异方差模型
第六节 指数平滑模型
第五章 基于机器学习的时间序列预测方法
第一节 向量自回归模型
第二节 支持向量回归
第三节 梯度提升回归树
第四节 隐马尔可夫模型
第六章 基于卷积神经网络的时间序列预测方法
第一节 卷积神经网络
第二节 循环神经网络
第三节 长短期记忆网络
第四节 门控循环单元
第七章 基于图神经网络的时间序列预测方法
第一节 图神经网络
第二节 用于音频波形预测的生成模型
第三节 多元时间序列预测图神经网络
第四节 基于潜在图推理的多元时间序列预测方法
第五节 基于深度时空图建模的时间序列预测方法
第八章 基于残差全连接网络的时间序列预测方法
第一节 残差全连接网络
第二节 基于前向和后向残差的深度神经网络预测方法
第三节 用于电价预测的全神经网络方法
第四节 基于时空的全连接门控图结构的交通预测方法
第九章 基于自注意力机制的时间序列预测方法
第一节 注意力机制
第二节 预训练深度双向Transformer预测方法
第三节 对抗稀疏Transformer预测方法
第四节 超长序列预测方法
第五节 多时序融合时间序列预测方法
第六节 基于状态空间分解的时间序列预测方法
第七节 基于自相关分解的时间序列预测方法
参考文献