本书主要探讨了基础深度学习方法和图深度学习方法在时序数据特征表示和预测中的应用。通过对比和结合不同的方法，本书提供一系列更完善、更高效的方法来实现对时间序列的准确快速预测。此外，通过融合不同深度学习模型提取的时间序列特征表示，可以在能源、交通、金融、组合优化等领域实现精准的特征识别与预测。这些研究不仅推动了基于深度学习的时间序列分析方法的发展，还为经济、金融、工业等应用领域提供了强有力的技术支持和决策依据。深度学习模型的应用能够显著提升管理工作的效率和效果，为具体的业务场景提供科学的指导和支持。

1 概述
1.1 研究意义
1.2 时间序列特征表示与预测方法
1.3 本章小结
2 用于时间序列预测的基础深度学习方法
2.1 引言
2.2 问题描述
2.3 时间序列结构
2.4 实用层面
2.5 应用
2.6 本章小结
3 一种用于时间序列预测的平移不变神经网络结构
3.1 引言
3.2 相关研究
3.3 问题描述
3.4 自编码器结构
3.5 利用标准的神经网络结构学习不变表示
3.6 提出用于学习不变性的扩展层
3.7 从数据中学习不变表示
3.8 实证研究
3.9 本章小结
4 基于神经网络集成算法的金融时间序列预测
4.1 引言
4.2 相关工作
4.3 集成预测模型的构建
4.4 实证分析
4.5 本章小结
5 基于深度学习的图时间序列模型
5.1 引言
5.2 相关综述论文
5.3 深度学习中的时间序列和图：个体建模
5.4 深度图时间序列建模
5.5 表示组件
5.6 应用和数据集
5.7 未来发展方向
5.8 本章小结
5.9 本章附录
6 一种用于多元时间序列预测的图学习模型
6.1 引言
6.2 相关工作
6.3 模型介绍
6.4 实证研究
6.5 实验结果
6.6 本章小结
7 基于动态图的时间序列预测与案例研究
7.1 引言
7.2 相关工作
7.3 问题定义
7.4 DYN-STGCN和DYN-GWN结构
7.5 数据集
7.6 实验
7.7 本章小结
8 一种基于广义梯度的组合优化问题求解方法
8.1 引言
8.2 可微组合损失
8.3 实验结果与分析比较
8.4 相关工作对比
8.5 本章小结
9 总结与未来展望
9.1 主要结论
9.2 未来展望
参考文献
索引