Cover of Time Series Forecasting, edition 2026.11.11, code 1RPH-3A4D Time Series Forecasting 1RPH-3A4D 11 editions since Nov 2026 Rolling Edition 2026.11.11

時間序列預測

版次 2026.11.11 範例於 2026年11 月 20 通過測試 41 個範例中有 41 個通過 變更內容

由 AI 翻譯。經人工以英文驗證。 我們如何製作書籍

譯自英文書,版次 2026.11.11。 閱讀原文

本書說明如何預測未來一天的需求,並檢查預測是否可靠,內容包括:基準模型、不會看到未來資料的回測、統計模型、適用於所有客戶的單一 LightGBM 模型、加總後一致的總量,以及經過校準的預測區間。範例使用三十位客戶的每小時電力需求資料。

適合對象 寫給熟悉 pandas 與基本迴歸、被要求預測需求(例如銷售量、能源、票務或流量),且需要在接受檢驗時仍站得住腳的預測結果的資料科學家與分析師。

開始閱讀
版次歷史自 2026年十一月 以來的 11 個版次每個版次及其變動內容
2026.11.12026.11.11
2026.11.11 · 2026年11 月 21散文修訂、新內容35 節 已變更

目錄

10 章,閱讀時間約 11 小時 29 分鐘,附有41 個範例。

  1. 1預測明日需求

    本章建立第一個明日需求預測,以及之後每個預測都必須超越的簡單基準。

  2. 2設定模型必須超越的基準線

    在本章中,你會為某位客戶的隔日預測計算三種基準線,分別是天真法(naive)、季節性天真法(seasonal naive)與週平均法(average of weeks),並以 MASE 衡量該客戶的誤差,其尺度只取用預測週之前的讀數。

  3. 3回測時不偷看未來

    本章教你在一年份的預測截止時間點上,為隔日預測評分,同時不讓未來的資料進入它的歷史;教你處理資料中兩個因時鐘調整而出現的小時;也教你執行位移測試,找出讀取了截止時間之後資料的特徵。

  4. 4為每位客戶擬合統計模型

    本章會針對每位客戶,在相同的回測上擬合 AutoETS 與固定的季節性 ARIMA,將兩者與季節性 naive 比較評分,並學習讓較晚開始的客戶從其第一筆讀數起算。

  5. 5加入日曆與落後特徵

    讀完本章後,你將能把單一客戶的逐時歷史資料整理成特徵表,加入前一日預測可以使用的落後特徵、日曆特徵與假日特徵,在相同的視窗上衡量每個特徵帶來的增益,並找出讀取了被預測當天資料的落後特徵。

  6. 6以單一模型預測多位客戶

    讀完本章後,你會得到一個涵蓋全部三十位客戶的全域模型、一條讓較晚啟用者開頭的零值不進入模型的起始規則,以及一項分數,能在相同的截止點上,逐一客戶將它與季節性簡單預測(seasonal naive)並列比較。

  7. 7讓總量加總一致

    你會用兩種方式預測三十位客戶的總需求量,根據決策窗口在兩種方式之間做選擇,並且只使用各截止時間點之前的歷史資料,將該總量拆分為各客戶的占比。

  8. 8量化預測的不確定性

    本章會為每一個隔日預測加上一個區間,讓你能判斷採購是否可以依賴該預測。

  9. 9比較 Prophet 與基礎模型

    讀完本章後,你可以在本書的三個標準截止點上擬合 Prophet,載入一個已記錄的基礎模型(Chronos-2)與一個已記錄的神經網路模型(NHITS),並在同一個 MASE 尺度上,針對相同的讀數為所有模型評分。

  10. 10Keep the forecast running

    Once a forecast runs every day, the question changes from whether it scored well to whether it still holds on the day it's used.

引用本節

格式

各種格式皆引用英文原書,本譯本即依循該原書。

每種格式都會標示本版。其連結會開啟目前版次,節標題會說明該節內文最後一次變動的時間。存取日期與擷取日期即為你開啟此頁的當日。