企业官网建设流程全解析

全文目录

• • 引言
  • 1. 时间序列的基本概念与构成要素
  • • 1.1 时间序列的定义
    • 1.2 时间序列的构成要素
    • • 1.2.1 趋势（Trend Component）
      • 1.2.2 周期（Cyclical Component）
      • 1.2.3 季节性（Seasonal Component）
      • 1.2.4 随机波动（Irregular Component）
    • 1.3 时间序列的分解模型
    • • 1.3.1 加法模型（Additive Model）
      • 1.3.2 乘法模型（Multiplicative Model）
  • 2. 时间序列的描述性分析
  • • 2.1 图形展示
    • 2.2 统计量描述
    • • 2.2.1 均值函数
      • 2.2.2 方差函数
      • 2.2.3 自协方差函数
      • 2.2.4 自相关函数（ACF）
      • 2.2.5 偏自相关函数（PACF）
    • 2.3 MATLAB代码示例：描述性分析
  • 3. 时间序列的平稳性
  • • 3.1 严平稳与弱平稳
    • • 3.1.1 严平稳（Strictly Stationary）
      • 3.1.2 弱平稳（Weakly Stationary）
    • 3.2 非平稳性的表现形式
    • • 3.2.1 趋势非平稳
      • 3.2.2 方差非平稳
      • 3.2.3 周期性非平稳
      • 3.2.4 结构突变
    • 3.3 平稳性检验
    • • 3.3.1 单位根检验
      • 3.3.2 自相关图检验
    • 3.4 非平稳序列的平稳化处理
    • • 3.4.1 差分法（Differencing）
      • 3.4.2 对数变换
      • 3.4.3 去趋势（Detrending）
      • 3.4.4 Box-Cox变换
    • 3.5 MATLAB代码示例：平稳性检验与处理
  • 4. 指数平滑法
  • • 4.1 简单指数平滑（Simple Exponential Smoothing）
    • 4.2 Holt双参数指数平滑（Holt's Linear Trend）
    • 4.3 Holt-Winters季节性指数平滑
    • • 4.3.1 加法季节性模型
      • 4.3.2 乘法季节性模型
    • 4.4 参数优化
    • 4.5 MATLAB代码示例：指数平滑法
  • 5. ARIMA模型
  • • 5.1 ARMA模型的基础
    • • 5.1.1 自回归模型（AR模型）
      • 5.1.2 移动平均模型（MA模型）
      • 5.1.3 ARMA模型
    • 5.2 ARIMA模型
    • • 5.2.1 ARIMA模型定义
      • 5.2.2 季节性ARIMA模型
    • 5.3 模型识别
    • • 5.3.1 确定差分阶数d dd
      • 5.3.2 确定AR和MA阶数
    • 5.4 参数估计
    • • 5.4.1 矩估计法
      • 5.4.2 最小二乘估计
      • 5.4.3 极大似然估计
    • 5.5 模型诊断
    • • 5.5.1 残差检验
      • 5.5.2 正态性检验
      • 5.5.3 参数显著性检验
    • 5.6 预测
    • • 5.6.1 最优预测
      • 5.6.2 递推预测
      • 5.6.3 预测区间
    • 5.7 MATLAB代码示例：ARIMA建模
  • 6. 高级主题与扩展
  • • 6.1 向量自回归模型（VAR）
    • 6.2 协整与误差修正模型（ECM）
    • 6.3 ARCH/GARCH模型
    • 6.4 状态空间模型与卡尔曼滤波
    • 6.5 机器学习方法
    • • 6.5.1 支持向量回归（SVR）
      • 6.5.2 随机森林与梯度提升
      • 6.5.3 长短期记忆网络（LSTM）
      • 6.5.4 Transformer模型
    • 6.6 方法选择指南
• 🎯 关于这个专栏
• 💬 关于内容、引用与交流
• 👨‍💻 About Me · 关于作者
• 🚀 如果你正在学习数学建模
• 🎁 文末福利 · 学习资源