新書推薦：
《
征服新世界：西班牙全球帝国之路，1493—1898（作者罗伯特·古德温深度力作，全景式呈现初代全球帝
》
售價：NT$
449
《
不纠结了 摆脱选择焦虑的极简法则 高敏感、优柔寡断、总陷入选择内耗的 纠结星人 自救指南
》
售價：NT$
254
《
当战争来敲门（牛津二战史，耶鲁、剑桥大学教授推荐）
》
售價：NT$
449
《
初老的身体：更年期新规则指南（第2版）
》
售價：NT$
653
《
摘星星的人
》
售價：NT$
218
《
名侦探的守则（东野圭吾：反套路！玩梗诡计，吐槽套路，爆笑推理！“你怎么看出我男扮女装的？”）
》
售價：NT$
301
《
金融帝国：美元如何计算全球
》
售價：NT$
347
《
全球化时代的历史书写：七位欧美历史学家访谈录 尔文智识生活系列
》
售價：NT$
500
|
| 編輯推薦： |
|
1.全面介绍时间序列数据的状态分析、时间分析和过程分析等内容。2.不仅涵盖时间序列数据分析的基本理论和技术，还广泛涉及其在金融、医疗、交通和能源等多个行业中的应用。3.帮助读者深刻理解和掌握时间序列数据的处理技术及在不同实际场景中的应用方法。
|
| 內容簡介： |
|
本书是一本专为研究生和高年级本科生设计的教材，全面介绍时间序列数据的状态分析、事件分析和过程分析等内容。本书不仅涵盖时间序列数据分析的基本理论和技术，还广泛涉及其在金融、医疗、交通和能源等多个行业中的应用。本书的目的在于帮助读者深刻理解和掌握时间序列数据的处理技术及其在不同实际场景中的应用方法。本书详细阐述时间序列数据分析的基本概念、理论及常用技术，使其成为学习该领域知识的理想选择。本书不仅可满足研究生和高年级本科生的学术需求，也可为相关领域从业人员提供进一步学习和专业发展的资源。
|
| 關於作者： |
|
金涛，男，博士，清华大学软件学院副研究员，大数据系统软件国家工程研究中心主任助理、清华大学大数据研究中心主任助理；中国医院协会信息管理专业委员会（CHIMA）委员，ISO/IEC-JTC1/SC27国际标准注册专家。主要研究方向为业务过程管理、时间序列数据分析、大数据、数智安全标准化。主持多项国家重大课题，发表论文40余篇，获得专利授权5项，牵头编制《个人信息去标识化指南》《健康医疗数据安全指南》《个人信息去标识化效果评估指南》等国家标准，组织并作为主要参与者撰写了《大数据安全标准化白皮书（2018版）》。主编《数智安全与标准化》，参编《医学信息安全》《智能医学》《健康医疗大数据创新应用》。教学方面主要负责清华大学大数据能力提升项目教学工作，主讲《数智安全与标准化》《大数据实践》等课程，致力于研究生跨学科大数据能力提升教育。
|
| 目錄：
|
目录
第一部分 基础知识 / 1
第1章 时间序列数据的基本概念 / 1
1.1 时间序列数据概述 / 1
1.1.1 特点 / 1
1.1.2 术语 / 2
1.1.3 类型 / 2
1.1.4 应用 / 7
1.2 时间序列数据分析的基本任务 / 8
1.2.1 描述和可视化 / 9
1.2.2 平稳性检验 / 9
1.2.3 趋势和季节性分解 / 10
1.2.4 建模和预测 / 11
1.2.5 模型检验和诊断 / 12
1.2.6 异常检测和分析 / 12
1.3 常用的时间序列数据分析方法 / 13
1.4 Petri网及其在时间序列数据分析中的
应用 / 14
1.4.1 Petri网的定义与组成 / 14
1.4.2 Petri网的行为和性质 / 15
1.4.3 Petri网在时间序列数据分析中的应用 / 16
1.4.4 SEPA方法论的框架和意义 / 17
1.5 负责任的分析 / 19
1.5.1 数据完整性和质量 / 20
1.5.2 公平性和多样性 / 20
1.5.3 准确性和模型适宜性 / 21
1.5.4 机密性和数据保护 / 21
1.5.5 透明度和可解释性 / 22
第2章 时间序列数据预处理 / 23
2.1 数据清洗 / 23
2.1.1 缺失值处理 / 23
2.1.2 异常值检测与处理 / 25
2.1.3 重采样与采样对齐 / 27
2.1.4 数据一致性检查 / 28
2.2 数据变换 / 28
2.2.1 对数变换 / 28
2.2.2 差分变换 / 29
2.2.3 Box-Cox变换 / 30
2.2.4 平方根变换 / 30
2.2.5 幂变换 / 31
2.2.6 移动平均 / 31
2.2.7 归一化和标准化 / 32
2.2.8 趋势消除 / 33
2.2.9 季节性调整 / 34
2.2.10 变换方法的选择 / 34
2.3 数据降维 / 35
2.3.1 主成分分析 / 35
2.3.2 奇异值分解 / 36
2.3.3 自编码器 / 37
2.3.4 t-分布随机邻域嵌入 / 37
2.4 特征提取 / 38
2.4.1 统计特征提取 / 39
2.4.2 时序模式特征提取 / 40
2.4.3 基于模型的特征提取 / 42
2.4.4 频域特征提取 / 44
2.4.5 基于深度学习的特征提取 / 48
2.4.6 特征提取方法选择 / 51
2.5 数据分段 / 52
2.6 数据划分 / 53
第3章 时间序列数据分析方法 / 54
3.1 描述性分析 / 54
3.1.1 趋势分析 / 54
3.1.2 季节性分析 / 55
3.1.3 周期性分析 / 56
3.1.4 波动性分析 / 57
3.2 统计建模 / 59
3.2.1 模型分类 / 60
3.2.2 AR模型 / 64
3.2.3 MA模型 / 67
3.2.4 ARMA模型 / 68
3.2.5 ARIMA模型 / 68
3.2.6 SARIMA模型 / 69
3.2.7 随机游走模型 / 70
3.2.8 局部加权回归 / 71
3.2.9 核密度估计 / 72
3.3 序列模式挖掘 / 73
3.3.1 Apriori算法 / 74
3.3.2 前缀投影算法 / 75
3.3.3 GSP算法 / 76
3.4 频域分析 / 76
3.4.1 功率谱密度 / 77
3.4.2 交叉谱分析 / 78
3.5 分类与聚类 / 79
3.5.1 距离和相似度 / 79
3.5.2 时间序列分类 / 82
3.5.3 时间序列聚类 / 86
3.6 机器学习方法 / 89
3.6.1 随机森林 / 89
3.6.2 SVM / 90
3.6.3 神经网络 / 92
3.6.4 图神经网络 / 92
3.6.5 Transformer / 93
3.6.6 BERT / 94
3.6.7 LLM / 94
第4章 多元时间序列数据分析 / 96
4.1 向量自回归模型 / 96
4.2 因子分析 / 97
4.2.1 提取因子 / 98
4.2.2 因子旋转 / 98
4.3 协整分析 / 99
4.4 相关性分析 / 100
4.4.1 相关性度量 / 100
4.4.2 交叉相关性 / 102
4.4.3 相关性检验 / 102
4.5 因果关系检验 / 104
4.5.1 格兰杰因果关系检验 / 104
4.5.2 脉冲响应函数分析 / 105
4.5.3 结构方程模型 / 107
4.5.4 基于机器学习的因果推断 / 108
第5章 时间序列数据的可视化 / 110
5.1 趋势展示 / 110
5.1.1 线图 / 110
5.1.2 平滑曲线 / 111
5.1.3 趋势线 / 112
5.1.4 堆叠面积图 / 112
5.1.5 分段趋势图 / 113
5.2 周期性展示 / 114
5.2.1 周期图 / 114
5.2.2 季节子序列图 / 115
5.2.3 热图 / 116
5.2.4 频谱分析图 / 116
5.2.5 延迟图 / 117
5.3 分布展示 / 117
5.3.1 直方图 / 118
5.3.2 箱形图 / 119
5.3.3 小提琴图 / 120
5.3.4 核密度估计图 / 121
5.3.5 QQ图 / 121
5.4 关系展示 / 122
5.4.1 散点图 / 123
5.4.2 折线图 / 124
5.4.3 面积图 / 124
5.4.4 热图 / 125
5.4.5 相关图 / 126
5.5 波动性展示 / 127
5.5.1 移动平均线 / 127
5.5.2 波动率图 / 127
5.5.3 布林带 / 128
5.5.4 高低波动图 / 129
5.6 高级可视化技术 / 130
5.6.1 控制图 / 130
5.6.2 交互式可视化 / 131
5.6.3 动态时间序列图 / 132
5.6.4 多维时间序列可视化 / 132
5.6.5 多尺度时间序列数据分析图 / 133
5.6.6 时间序列聚类和分类可视化 / 134
5.6.7 时间序列分解可视化 / 135
5.6.8 预测模型可视化 / 135
第二部分 状态分析 / 137
第6章 状态的定义与识别 / 137
6.1 状态的定义 / 137
6.2 状态的识别 / 140
6.2.1 统计方法 / 140
6.2.2 数据挖掘方法 / 142
6.2.3 机器学习方法 / 143
6.2.4 深度学习方法 / 144
6.2.5 基于Petri网的方法 / 144
第7章 状态分析方法 / 146
7.1 状态转换的分析 / 146
7.1.1 马尔可夫链模型 / 146
7.1.2 隐马尔可夫模型 / 147
7.1.3 状态空间模型 / 148
7.1.4 转换点分析 / 150
7.1.5 Petri网分析 / 151
7.2 状态持续时间的分析 / 151
7.3 状态对应的影响分析 / 153
7.4 基于状态的预测 / 153
7.5 状态分析的评价 / 154
7.5.1 定量评价指标 / 154
7.5.2 定性评价指标 / 155
第三部分 事件分析 / 157
第8章 事件的定义与分析 / 157
8.1 事件的定义 / 157
8.1.1 事件的概念 / 157
8.1.2 事件的基本类型 / 158
8.1.3 事件的特征 / 161
8.2 事件的识别与分析 / 162
8.2.1 事件的识别 / 162
8.2.2 事件的分析 / 163
第9章 事件检测的方法 / 164
9.1 变点检测 / 164
9.1.1 参数方法 / 164
9.1.2 非参数方法 / 166
9.2 异常检测 / 170
9.2.1 统计方法 / 171
9.2.2 基于邻近度的方法 / 173
9.2.3 谱残差算法 / 175
9.2.4 机器学习方法 / 176
9.2.5 深度学习方法 / 178
9.3 趋势变化检测 / 180
9.3.1 Mann-Kendall趋势检测 / 181
9.3.2 断点分析 / 182
9.3.3 滑动窗口技术 / 182
9.3.4 序列分割 / 183
9.3.5 基于模型的方法 / 184
9.3.6 机器学习与深度学习方法 / 184
9.4 状态变化检测 / 185
第10章 事件分析方法 / 186
10.1 事件影响评估 / 186
10.2 事件相关性分析 / 187
10.3 事件因果关系分析 / 188
10.3.1 断点回归分析 / 188
10.3.2 倾向得分匹配 / 189
10.3.3 反事实推理 / 190
10.4 事件抽象 / 192
10.4.1 基于监督的抽象方法 / 192
10.4.2 基于无监督的抽象方法 / 193
10.4.3 时间窗口方法 / 196
10.4.4 基于复杂事件处理的抽象方法 / 196
第四部分 过程分析 / 198
第11章 过程分析基础 / 198
11.1 过程分析概述 / 198
11.1.1 过程分析的定义 / 199
11.1.2 过程分析的维度 / 199
11.1.3 过程分析的作用 / 200
11.1.4 过程分析的评价 / 201
11.2 事件数据 / 203
11.2.1 事件日志 / 203
11.2.2 对象中心事件日志 / 203
11.2.3 XES标准 / 204
11.2.4 OCEL标准 / 205
11.3 过程模型 / 206
11.3.1 带标签接受Petri网 / 207
11.3.2 直接跟随图 / 207
11.3.3 过程树 / 208
11.3.4 过程模型间度量 / 208
11.4 过程分析类别 / 212
第12章 过程发现 / 214
12.1 基于直接跟随关系的算法 / 214
12.1.1 Alpha算法 / 214
12.1.2 Alpha+和Alpha++算法 / 216
12.2 基于启发式的算法 / 216
12.3 基于优化技术的算法 / 218
12.4 参考模型的指导 / 219
12.4.1 领域特定性 / 220
12.4.2 抽象指导 / 220
12.4.3 验证和校准 / 221
12.5 对象中心过程发现 / 221
12.6 算法评价指标 / 222
12.6.1 准确性 / 222
12.6.2 稳健性 / 223
12.6.3 效率 / 224
12.6.4 适用性 / 226
12.6.5 可解释性 / 226
第13章 性能分析 / 228
13.1 时间分析 / 228
13.1.1 主要关注指标 / 228
13.1.2 分析方法 / 228
13.1.3 核心理论算法 / 229
13.2 成本分析 / 232
13.2.1 主要关注点 / 232
13.2.2 分析方法 / 233
13.2.3 核心算法 / 233
13.3 资源分析 / 234
13.3.1 关键方面 / 235
13.3.2 分析方法 / 235
13.3.3 核心理论算法 / 235
13.4 吞吐量分析 / 239
13.4.1 核心指标 / 240
13.4.2 分析方法 / 240
13.4.3 核心理论算法 / 240
13.5 可靠性和可用性分析 / 243
13.5.1 可靠性分析 / 243
13.5.2 可用性分析 / 244
13.5.3 关键指标 / 245
13.5.4 核心理论算法 / 247
13.6 动态分析 / 250
13.6.1 主要应用领域 / 250
13.6.2 关键方法 / 251
13.6.3 核心理论算法 / 251
第14章 一致性检查 / 254
14.1 规则检查 / 254
14.1.1 逻辑表达式求解 / 254
14.1.2 规则引擎 / 255
14.1.3 时间依赖约束 / 256
14.2 轨迹回放 / 256
14.2.1 令牌重放 / 257
14.2.2 结果分析 / 257
14.3 对齐 / 259
14.3.1 模型和日志转换 / 260
14.3.2 对齐矩阵表示 / 260
14.3.3 成本函数定义 / 261
14.3.4 计算对齐 / 262
14.3.5 最佳对齐路径的确定 / 265
14.4 高级技术 / 266
14.4.1 数据感知对齐 / 266
14.4.2 资源感知对齐 / 267
14.4.3 综合方法 / 267
14.4.4 合规规则与小Petri网对齐 / 268
14.4.5 对象中心一致性检查 / 268
14.4.6 实时一致性检查 / 269
14.4.7 无需过程模型的一致性检查 / 270
14.5 结果应用 / 270
14.5.1 模型修复 / 271
14.5.2 日志修复 / 271
14.5.3 广义一致性检查 / 272
14.5.4 决策点分析 / 273
第15章 过程增强和优化 / 274
15.1 过程扩展基本技术 / 274
15.1.1 数据视角 / 274
15.1.2 组织视角 / 275
15.1.3 时间视角 / 275
15.2 过程扩展高级技术 / 276
15.2.1 高级决策挖掘 / 277
15.2.2 高级角色发现 / 277
15.3 过程改进 / 278
15.3.1 模型修复以反映现实情况 / 278
15.3.2 基于KPI的模型改进 / 279
15.3.3 并行化重构 / 279
15.4 预测性过程监控 / 280
15.4.1 结果预测 / 282
15.4.2 数值预测 / 284
15.4.3 下一个事件的预测 / 284
15.4.4 机器学习驱动的新趋势 / 287
第16章 高级过程分析 / 290
16.1 无案例号过程分析 / 290
16.1.1 聚类分析法 / 290
16.1.2 序列模式挖掘 / 291
16.1.3 关联规则学习 / 292
16.1.4 异常检测 / 292
16.1.5 网络分析方法 / 293
16.2 声明式过程分析 / 294
16.2.1 声明模型 / 294
16.2.2 推理 / 299
16.2.3 声明式过程挖掘 / 301
16.3 流式过程分析 / 305
16.3.1 流式处理的特点 / 306
16.3.2 方法的分类 / 306
16.3.3 流式过程发现 / 310
16.3.4 流式一致性检查 / 311
16.4 分布式过程分析 / 312
参考文献 / 314
|
| 內容試閱：
|
前言
在这个数据驱动的时代，时间序列数据分析成为解释和预测复杂系统行为的关键工具。本书旨在向读者深入介绍如何利用时间序列数据来洞察和影响现实世界中的各种现象。通过本书，我们希望向研究生、高年级本科生以及相关领域的专业人士提供一个全面的指南，帮助他们掌握时间序列数据分析的核心概念和技术。
时间序列数据为按时间顺序记录的数据点序列，广泛存在于金融、气候科学、工业生产、医疗健康等众多领域。这些数据不仅反映了系统随时间的动态变化，而且蕴含了预测未来和优化决策的关键信息。因此，准确的时间序列数据分析不仅有助于理解历史和当前状态，更重要的是，它提供了对未来的预见性洞察。
本书共分四部分，系统阐述时间序列数据分析的核心理论和应用方法。
第一部分：基础知识。
这一部分为读者奠定了坚实的基础，介绍时间序列数据分析的关键概念和技术。内容涵盖时间序列数据的基本概念、预处理技术、分析方法，以及多元时间序列数据分析和数据的可视化技术。这些基础知识是更高级分析的前提，也是理解后续章节的基石。
第二部分：状态分析。
状态分析专注于解释和理解数据在特定时间点或者时间段的具体状态。这部分内容不仅定义 “状态”的概念，还介绍状态的识别和分析方法。状态分析对于保证系统或过程的稳定运行至关重要，可以帮助决策者监控和调整运营效率。
第三部分：事件分析。
事件分析旨在识别和解释时间序列数据中的关键变化点，这些变化通常预示着系统动态的重要转折或外部因素的影响。本部分详细讨论事件的定义、检测方法和分析方法，使读者能够精准捕捉并分析这些关键的数据变化点。
第四部分：过程分析。
过程分析探讨不同事件和状态如何随时间演变并相互作用。这部分内容涉及过程分析的基础知识、过程发现、性能分析、一致性检查、过程改进和优化，以及高级过程分析技术。对于希望优化操作过程和预测未来行为的读者来说，这些分析技术至关重要。
在撰写本书的过程中，我们特别强调理论知识与实际应用的紧密结合。本书旨在展示如何将时间序列数据分析的抽象技术有效应用于解决现实世界中的复杂问题，深入探讨时间序列数据分析的跨学科性和实用性，揭示这些技术如何在不同行业中发挥关键作用，如金融市场预测、工业生产优化和健康监测等。
随着科技的不断进步和数据获取技术的日益强大，时间序列数据分析的应用前景极为广阔，其重要性与日俱增。数据分析的深度和广度正在不断扩展，使得时间序列数据分析成为科研人员、工程师以及数据科学家必备的技能。
本书的目标是成为时间序列数据分析领域的权威参考和实用指南，帮助读者深入理解数据背后的复杂动态。通过本书，我们希望激发读者运用所学知识解决行业问题的热情，使其在各自的专业领域中实现卓越和成功。无论是学术研究还是业界应用，本书提供的深入分析方法都将为读者提供宝贵的洞察和技能，使其能够在数据驱动的未来中蓬勃发展。
本书力图构建一个关于时间序列数据分析的全面框架，覆盖状态、事件与过程分析的关键概念和技术。然而，由于篇幅限制，本书无法详尽地介绍每一个概念或深入每一种技术细节，因此，我们鼓励读者在必要时查阅更多的资料和文献，以获得更深入的理解和应用上的指导。
由于个人的知识范围和精力有限，书中的内容和观点可能存在疏漏或不足之处，诚恳地邀请各位读者提出宝贵的批评和建议。您的反馈不仅能帮助我们提升本书的质量，也将促进我们在时间序列数据分析领域的学术和实践成长。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
