| 技术方向 | 核心模型 | 行业应用 |
|---|---|---|
| 统计方法 | ARIMA/指数平滑 | 金融预测 |
| 工业级框架 | Prophet | 业务量预测 |
| 深度学习 | LSTM/Seq2Seq | 智能运维 |
课程采用模块化设计，首周重点突破统计时序模型原理，第二周解析Prophet工业级应用，第三周深入深度学习前沿技术。通过三大实战项目贯通知识体系：
从自相关函数分析到季节性分解，重点解析ARIMA模型的参数选择策略。通过能源消耗预测案例，演示如何通过ADF检验判断序列平稳性，利用ACF/PACF图确定最优模型阶数。
详解Facebook开源框架的三大组件：趋势项、周期项和节假日项。在电商GMV预测项目中，演示如何通过变点检测处理业务突变，利用分层回归处理多周期叠加问题。
构建双向LSTM网络处理多变量时序数据，通过注意力机制提升seq2seq模型预测精度。在智能运维场景中，演示如何结合CNN特征提取和LSTM时序建模进行故障预警。
实验环境说明
提供预配置的Jupyter Notebook云环境，包含完整的数据集和代码模板，支持主流深度学习框架一键安装。
项目答辩机制
每阶段设置项目评审环节，由算法工程师提供模型调优建议，优秀作品可纳入企业案例库。
