首页
›
供应链数字化与智能采购系统
›
016-AI驱动的供应链需求预测与库存优化实战
›
《时间序列与深度学习预测》
VIP20
本课程属于：016-AI驱动的供应链需求预测与库存优化实战
供应链数字化与智能采购系统 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
📈 时间序列与深度学习预测
✨ 30章 · 从基础到前沿
01
时间序列基础
时间序列定义
平稳/非平稳
可视化基础
进入章节 →
02
时间序列成分
趋势
季节性
周期性
残差
加法/乘法模型
进入章节 →
03
平稳性检验
平稳性定义
ADF检验
KPSS检验
差分操作
进入章节 →
04
自相关与偏自相关
ACF图
PACF图
拖尾与截尾
进入章节 →
05
经典统计模型
AR模型
MA模型
ARMA原理
阶数确定
进入章节 →
06
ARIMA模型
ARIMA(p,d,q)
建模流程
模型诊断
预测与评估
进入章节 →
07
季节性ARIMA
SARIMA模型
季节性差分
季节性阶数选择
进入章节 →
08
时间序列特征工程
滞后特征
滚动窗口统计量
时间特征(年/月/日/星期)
进入章节 →
09
数据预处理
缺失值处理
异常值检测
归一化/标准化
进入章节 →
10
滑动窗口与数据集构建
单步预测窗口
多步预测窗口
时间序列交叉验证
进入章节 →
11
深度学习入门
神经网络基础
激活函数
损失函数
优化器(SGD/Adam)
进入章节 →
12
PyTorch基础
张量操作
自动求导
DataLoader构建
进入章节 →
13
简单全连接网络预测
MLP单步预测
超参数调优
进入章节 →
14
循环神经网络 (RNN)
RNN原理
梯度消失/爆炸
简单RNN实现
进入章节 →
15
LSTM网络
遗忘门/输入门/输出门
LSTM单元结构
进入章节 →
16
GRU网络
GRU原理
与LSTM对比
GRU实现
进入章节 →
17
LSTM/GRU实战
单变量预测
多变量预测
进入章节 →
18
双向RNN
双向LSTM/GRU
应用场景
进入章节 →
19
堆叠RNN
多层LSTM/GRU
Dropout
训练技巧
进入章节 →
20
Seq2Seq模型
编码器-解码器
Teacher Forcing
进入章节 →
21
注意力机制
加性/点积注意力
Bahdanau/Luong
进入章节 →
22
Transformer时间序列
自注意力
位置编码
编码器实现
进入章节 →
23
Informer模型
ProbSparse自注意力
蒸馏操作
生成式解码器
进入章节 →
24
时间卷积网络 (TCN)
因果卷积
膨胀卷积
残差连接
进入章节 →
25
混合模型
CNN-LSTM
CNN-Transformer
并行架构
进入章节 →
26
多步预测策略
直接预测
递归预测
多输出预测
Seq2Seq
进入章节 →
27
概率预测
分位数损失
高斯过程
贝叶斯神经网络
置信区间
进入章节 →
28
模型评估与调优
RMSE/MAE/MAPE
超参数搜索
早停法
进入章节 →
29
实战项目一：股票价格预测
数据获取
特征工程
LSTM建模
回测
进入章节 →
30
实战项目二：电力负荷预测
多变量输入
Transformer模型
结果可视化
部署
进入章节 →
所属VIP或分类
同VIP：AI赋能库存预测与补货系统实战
同VIP：Python供应链需求预测实战
同VIP：供应链协同与库存成本控制