第1 章时间序列概述 1__eol__1.1 发展历程 1__eol__1.2 应用现状 3__eol__1.3 时间序列分类4__eol__1.3.1 单维时间序列4__eol__1.3.2 多维时间序列6__eol__1.4 小结 8__eol__第2 章时间序列的信息提取 9__eol__2.1 特征工程的入门知识9__eol__2.1.1 特征工程简介9__eol__2.1.2 数值型特征 12__eol__2.1.3 类别型特征 17__eol__2.1.4 交叉特征 17__eol__2.2 时间序列的预处理 18__eol__2.2.1 时间序列的缺失值 18__eol__2.2.2 时间序列的缩放 20__eol__2.3 时间序列的特征工程24__eol__2.4 时间序列的统计特征28__eol__2.5 时间序列的熵特征 32__eol__2.6 时间序列的降维特征38__eol__2.6.1 分段聚合逼近38__eol__2.6.2 分段线性逼近39__eol__2.6.3 分段常数逼近41__eol__2.6.4 符号逼近 42__eol__2.6.5 最大三角形三桶算法43__eol__2.6.6 用神经网络自动生成特征的算法 44__eol__2.7 时间序列的单调性 53__eol__2.7.1 线性拟合方法54__eol__2.7.2 控制图方法 55__eol__2.7.3 均线方法 60__eol__2.8 小结 63__eol__第3 章时间序列预测 64__eol__3.1 时间序列预测的统计方法 65__eol__3.1.1 自回归差分移动平均模型 65__eol__3.1.2 指数平滑方法72__eol__3.1.3 Prophet 75__eol__3.2 时间序列预测的深度学习方法 83__eol__3.2.1 循环神经网络83__eol__3.2.2 长短期记忆网络 85__eol__3.2.3 Transformer 90__eol__3.2.4 Informer96__eol__3.3 小结·100__eol__第4 章时间序列异常检测 101__eol__4.1 异常类型及检测方法分类 101__eol__4.2 基于概率密度的方法 104__eol__4.2.1 核密度估计原理 104__eol__4.2.2 核密度估计方法 106__eol__4.3 基于重构的方法 111__eol__4.3.1 变分自编码器 111__eol__4.3.2 Donut 115__eol__4.4 基于距离的方法 117__eol__4.4.1 孤立森林 118__eol__4.4.2 RRCF 121__eol__4.5 基于有监督的方法 125__eol__4.6 基于弱监督的方法 127__eol__4.7 小结 129__eol__第5 章时间序列的相似度与聚类 130__eol__5.1 相似度函数 130__eol__5.1.1 经典的相似度函数 131__eol__5.1.2 基于分段聚合逼近的相似度函数 134__eol__5.1.3 基于时间序列平滑的相似度函数 135__eol__5.1.4 基于神经网络的相似度算法 136__eol__5.2 距离函数 137__eol__5.2.1 欧氏距离 138__eol__5.2.2 DTW 算法139__eol__5.2.3 基于相似性的距离 140__eol__5.2.4 基于符号特征的距离 141__eol__5.2.5 基于自相关性的距离 142__eol__5.2.6 基于周期性的距离 143__eol__5.2.7 基于模型的距离 144__eol__5.3 基于特征工程的聚类算法 145__eol__5.4 基于距离和相似度的聚类算法 149__eol__5.5 流式聚类算法 151__eol__5.6 小结 154__eol__第6 章多维时间序列 155__eol__6.1 多维时间序列简介155__eol__6.2 单维时间序列与多维时间序列 156__eol__6.2.1 广告分析领域 156__eol__6.2.2 业务运维领域 157__eol__6.3 单维时间序列监控系统和多维时间序列监控系统的对比 159__eol__6.4 根因分析 160__eol__6.4.1 根因分析的基础概念 160__eol__6.4.2 人工执行根因分析的难度 163__eol__6.4.3 OLAP 技术和方法 164__eol__6.5 基于时间序列异常检测算法的根因分析 165__eol__6.5.1 时间序列异常检测 165__eol__6.5.2 根因分析的列表结构 170__eol__6.5.3 根因分析的树状结构 172__eol__6.6 基于熵的根因分析 173__eol__6.6.1 熵的概念和性质 173__eol__6.6.2 概率之间的距离 174__eol__6.6.3 基于熵的根因分析方法 177__eol__6.7 基于树模型的根因分析 187__eol__6.7.1 特征工程和样本 187__eol__6.7.2 决策树算法 187__eol__6.8 规则学习 188__eol__6.8.1 根因分析的列表结构 188__eol__6.8.2 根因分析的树状结构 189__eol__6.8.3 列表结构与树状结构的对比 191__eol__6.8.4 规则的排序 192__eol__6.9 小结 193__eol__第7 章智能运维的应用场景 194__eol__7.1 智能运维 194__eol__7.1.1 智能运维的主要方向 195__eol__7.1.2 智能运维的实施路径 196__eol__7.2 指标监控 197__eol__7.2.1 硬件监控与软件监控 198__eol__7.2.2 业务监控 198__eol__7.2.3 节假日效应 201__eol__7.2.4 持续异常的情况 205__eol__7.2.5 存在基线的情况 205__eol__7.2.6 寻找基线的方法 206__eol__7.3 容量预估和弹性伸缩 208__eol__7.3.1 容量预估 208__eol__7.3.2 弹性伸缩 209__eol__7.4 告警系统 210__eol__7.4.1 告警系统的定义与评估指标 210__eol__7.4.2 告警关联与收敛 212__eol__7.4.3 基于相似性或聚类算法的告警关联与收敛 214__eol__7.4.4 基于告警属性泛化层次的告警关联与收敛 219__eol__7.4.5 基于根因分析的告警关联与收敛 224__eol__7.5 小结 226__eol__第8 章金融领域的应用场景 228__eol__8.1 量化交易概述 229__eol__8.1.1 数据230__eol__8.1.2 因子 230__eol__8.1.3 回测 231__eol__8.2 因子特征工程 231__eol__8.3 资产定价 234__eol__8.4 资产配置 241__eol__8.5 波动率预测 243__eol__8.6 小结 245__eol__参考文献 246