时间序列预测方法研究
课程模式： 1v多小班 + 1v1深度辅导的混合教学模式
服务周期： 约 12–15 周，共包含 12节小班研讨课 + 2节不限时1v1辅导
适合人群：
计算机/AI/数据科学相关专业的大二至研一学生
计划保研、考研复试或出国留学，需要科研经历加分
有一定编程基础（Python/C++），但缺乏系统的科研方法
想产出第一篇学术论文，但不知道从哪里开始
核心产出：
一篇达到学术会议/期刊投稿级别的英文短论文（或中文核心级别技术报告）
一套完整的、可复现的实验代码
一份规范的实验记录与论文手稿
科研能力评估报告（可用于保研/留学申请附件）
时间序列预测方法研究
课题背景
时间序列是指按时间先后顺序依次记录与排列的数据序列，反映了研究对象随时间演变的过程与规律。时间序列预测是数据分析领域的核心研究方向之一，旨在通过挖掘历史数据中的趋势、周期、相关性等内在模式，对未来取值与发展态势做出科学推断与预判。
该技术广泛应用于金融市场分析、气象灾害预警、供应链库存优化、能源负荷预测、公共卫生监测、智能交通管控等实际场景。近年来，在大数据、深度学习与机器学习技术的持续推动下，时间序列预测已成为数据驱动决策的重要技术底座。
关键词： 深度学习、机器学习、时间序列预测
课题创新点
| 创新点方向 | 目标区位 | 目标期刊 |
|---|---|---|
| 扩散模型与时间序列分析相结合 | 2区–4区 | Journal of Systems and Software、IET Software |
| LLM引入时间序列分析 | 2区–4区 | Journal of Systems and Software、IET Software |
| 模型结果的集成策略 | 2区–4区 | Journal of Systems and Software、IET Software |
| 端到端的预测框架 | 2区–4区 | Journal of Systems and Software、IET Software |
老师介绍
闫老师，北京理工大学计算机软件与理论专业博士，现为省属高校教授。发表SCI、EI等论文20余篇，在CCF推荐的B类和C类期刊发表3篇论文。主要研究方向为：机器学习、深度学习、时间序列分析以及可信计算。
课程大纲
课程构成： 12节小班课 + 2节1v1辅导
| 课节 | 课程标题 | 核心内容 |
|---|---|---|
| 第1节 | 初识时间序列——定义、任务与挑战 | 核心特征定义、任务全景图、现实世界挑战 |
| 第2节 | 基石与方法论——统计、机器学习与深度学习范式 | 方法论演进对比、Python工具生态 |
| 第3节 | 洞察数据——探索性分析与预处理实战 | 数据质量检查、平稳性检验、ACF/PACF分析 |
| 第4节 | 衡量优劣——预测效果评估体系 | 点预测指标、数据划分策略、过拟合诊断 |
| 第5节 | 经典传承——ARIMA模型深度解析 | AR/I/MA组件、SARIMA季节性扩展、模型诊断 |
| 第6节 | 可解释性与易用性——Prophet模型应用 | 加法模型原理、自定义节假日效应 |
| 第7节 | 特征工程的艺术——机器学习方法入门 | 滞后特征构建、随机森林时序应用 |
| 第8节 | 记忆的雏形——循环神经网络(RNN)基础 | 循环连接原理、梯度消失问题 |
| 第9节 | 攻克长期依赖——LSTM与GRU | 门控机制、LSTM实战技巧 |
| 第10节 | 注意力革命——Transformer与时序基础模型 | 自注意力机制、Informer/Autoformer、TimesFM |
| 第11节 | 前沿专题——概率预测与不确定性量化 | 分位数回归、深度概率方法 |
| 第12节 | 融会贯通——综合案例分析与课题冲刺 | 经典案例复盘、最佳实践总结 |
4V1多维论文支持体系
| 角色 | 职责 |
|---|---|
| 班主任 | 督学，跟进学习进度，规划全程进度管理 |
| 课程顾问 | 答疑、提供前沿文献资料与研究方法 |
| 主导师 | 授课，全程不定时答疑，提供方向性指导 |
| 代码导师 | 辅助教学，协助代码调试与技术落地 |
服务内容
✅ 12节1v多小班研讨课（4–8人精品小组，每周1次，约90分钟/次）
✅ 2节不限时1v1深度辅导（个性化选题 + 论文修改 + 科研规划）
✅ 全程导师在线答疑（微信群，24小时内回复）
✅ 完整课程资料（论文精读笔记、代码模板、写作指南、投稿Checklist）
✅ 课程结束后3个月内持续跟踪辅导（投稿后修改、Rebuttal支持）
✅ 科研能力评估报告 + 符合条件者可获导师推荐信
✅ 课程永久回放，随时可学
时间序列预测方法研究
课程模式： 1v多小班 + 1v1深度辅导的混合教学模式
服务周期： 约 12–15 周，共包含 12节小班研讨课 + 2节不限时1v1辅导
适合人群：
计算机/AI/数据科学相关专业的大二至研一学生
计划保研、考研复试或出国留学，需要科研经历加分
有一定编程基础（Python/C++），但缺乏系统的科研方法
想产出第一篇学术论文，但不知道从哪里开始
核心产出：
一篇达到学术会议/期刊投稿级别的英文短论文（或中文核心级别技术报告）
一套完整的、可复现的实验代码
一份规范的实验记录与论文手稿
科研能力评估报告（可用于保研/留学申请附件）
时间序列预测方法研究
课题背景
时间序列是指按时间先后顺序依次记录与排列的数据序列，反映了研究对象随时间演变的过程与规律。时间序列预测是数据分析领域的核心研究方向之一，旨在通过挖掘历史数据中的趋势、周期、相关性等内在模式，对未来取值与发展态势做出科学推断与预判。
该技术广泛应用于金融市场分析、气象灾害预警、供应链库存优化、能源负荷预测、公共卫生监测、智能交通管控等实际场景。近年来，在大数据、深度学习与机器学习技术的持续推动下，时间序列预测已成为数据驱动决策的重要技术底座。
关键词： 深度学习、机器学习、时间序列预测
课题创新点
| 创新点方向 | 目标区位 | 目标期刊 |
|---|---|---|
| 扩散模型与时间序列分析相结合 | 2区–4区 | Journal of Systems and Software、IET Software |
| LLM引入时间序列分析 | 2区–4区 | Journal of Systems and Software、IET Software |
| 模型结果的集成策略 | 2区–4区 | Journal of Systems and Software、IET Software |
| 端到端的预测框架 | 2区–4区 | Journal of Systems and Software、IET Software |
老师介绍
闫老师，北京理工大学计算机软件与理论专业博士，现为省属高校教授。发表SCI、EI等论文20余篇，在CCF推荐的B类和C类期刊发表3篇论文。主要研究方向为：机器学习、深度学习、时间序列分析以及可信计算。
课程大纲
课程构成： 12节小班课 + 2节1v1辅导
| 课节 | 课程标题 | 核心内容 |
|---|---|---|
| 第1节 | 初识时间序列——定义、任务与挑战 | 核心特征定义、任务全景图、现实世界挑战 |
| 第2节 | 基石与方法论——统计、机器学习与深度学习范式 | 方法论演进对比、Python工具生态 |
| 第3节 | 洞察数据——探索性分析与预处理实战 | 数据质量检查、平稳性检验、ACF/PACF分析 |
| 第4节 | 衡量优劣——预测效果评估体系 | 点预测指标、数据划分策略、过拟合诊断 |
| 第5节 | 经典传承——ARIMA模型深度解析 | AR/I/MA组件、SARIMA季节性扩展、模型诊断 |
| 第6节 | 可解释性与易用性——Prophet模型应用 | 加法模型原理、自定义节假日效应 |
| 第7节 | 特征工程的艺术——机器学习方法入门 | 滞后特征构建、随机森林时序应用 |
| 第8节 | 记忆的雏形——循环神经网络(RNN)基础 | 循环连接原理、梯度消失问题 |
| 第9节 | 攻克长期依赖——LSTM与GRU | 门控机制、LSTM实战技巧 |
| 第10节 | 注意力革命——Transformer与时序基础模型 | 自注意力机制、Informer/Autoformer、TimesFM |
| 第11节 | 前沿专题——概率预测与不确定性量化 | 分位数回归、深度概率方法 |
| 第12节 | 融会贯通——综合案例分析与课题冲刺 | 经典案例复盘、最佳实践总结 |
4V1多维论文支持体系
| 角色 | 职责 |
|---|---|
| 班主任 | 督学，跟进学习进度，规划全程进度管理 |
| 课程顾问 | 答疑、提供前沿文献资料与研究方法 |
| 主导师 | 授课，全程不定时答疑，提供方向性指导 |
| 代码导师 | 辅助教学，协助代码调试与技术落地 |
服务内容
✅ 12节1v多小班研讨课（4–8人精品小组，每周1次，约90分钟/次）
✅ 2节不限时1v1深度辅导（个性化选题 + 论文修改 + 科研规划）
✅ 全程导师在线答疑（微信群，24小时内回复）
✅ 完整课程资料（论文精读笔记、代码模板、写作指南、投稿Checklist）
✅ 课程结束后3个月内持续跟踪辅导（投稿后修改、Rebuttal支持）
✅ 科研能力评估报告 + 符合条件者可获导师推荐信
✅ 课程永久回放，随时可学