本书以问题解决式的方法讲解如何实际实现Python时间序列分析和建模的各种概念，从数据读取和预处理开始。
本章首先介绍使用AR(自回归)、MA(移动平均)、ARMA(自回归移动平均)和ARIMA(自回归综合移动平均)等统计建模方法进行时间序列预测的基本原理。接下来，您将学习使用不同的开源包(如fbprophet、stats model和sklearn)进行单变量和多变量建模。您还将深入了解用于预测问题的经典基于机器学习的回归模型，如randomForest、Xgboost和LightGBM。本书最后演示了用于时间序列预测的深度学习模型(lstm和ANN)的实现。每一章都包含一些代码示例和说明。
读完本书后，你将对时间序列及其在Python中的实现有一个基本的理解。 你将学到什么：使用Python实现时间序列分析中的各种技术。利用统计建模方法，如AR(自回归)，MA(移动平均)，ARMA(自回归移动平均)和ARIMA(自回归综合移动平均)进行时间序列预测，理解时间序列预测的单变量和多变量模型，使用机器学习和深度学习技术(如GBM和LSTM (long short-term memory))进行预测。