格雷特编著的《时间序列预测实践教程》是一本侧重于时间序列分析预测实践的教材。既涵盖了基于模型的预测分析方法，也涵盖了数据驱动的预测分析方法。本书可以作为实用时间序列预测分析的教材，也可以作为预测分析实践人员的参考书。

格雷特编著的《时间序列预测实践教程》是一本侧重于时间序列分析预测实践的教材。它从时间序列预测的整个过程来组织全部内容。主要内容有时间序列预测的流程、时间序列数据的收集和预处理、预测精确度的衡量指标、各种不同的预测分析方法。它既涵盖了基于模型的预测分析方法，也涵盖了数据驱动的预测分析方法。书中给出了大量的实际案例，读者可以从中获取进行时间序列预测所必需的经验。

《时间序列预测实践教程》可以作为实用时间序列预测分析的教材，也可以作为预测分析实践人员的参考书。

第1章 预测过程简介

 1．1 预测应用

 1．2 本书常用符号

 1．3 预测过程

 1．4 预测目标——以美国铁路客运公司为例

 1．4．1 描述性目标和预测性目标

 1．4．2 向前预测期数和预测数据更新

 1．4．3 预测的应用

 1．4．4 预测自动化水平

第2章 数据

 2．1 数据收集

 2．2 时间序列的组成成分

 2．3 时间序列的可视化

 2．4 交互式可视化

 2．5 数据预处理

第3章 预测结果评估

 3．1 数据分割

 3．1．1 按时间划分时间序列

 3．1．2 合并训练集和验证集建立最终预测模型

 3．1．3 选择验证集区间

 3．2 简单预测

 3．3 衡量预测精度

 3．3．1 常用衡量预测精度的指标

 3．3．2 衡量模型预测精度指标的注意问题

 3．4 预测不确定性评估

 3．4．1 预测误差的分布

 3．4．2 预测区间

第4章 预测方法概述

 4．1 基于模型的方法和数据驱动的方法

 4．2 外推法、计量模型和外部信息

 4．3 人工预测和自动预测

 4．4 组合方法

第5章 基于回归的预测方法

 5．1 趋势模型的分析

 5．1．1 线性趋势

 5．1．2 指数趋势

 5．1．3 多项式趋势

 5．2 带有季节性趋势的模型

 5．3 同时带有趋势性和季节性的模型

 5．4 由模型进行预测

 5．5  ar模型和arima模型

 5．5．1 计算自相关

 5．5．2 利用自相关信息来提高预测精度

 5．5．3 评价可预测性

 5．6 不规则的趋势模式

 5．6．1 离群值

 5．6．2 特殊事件

第6章 平滑方法

 6．1 引言

 6．2 移动平均

 6．2．1 中心移动平均：方便可视化

 6．2．2 截尾移动平均：方便预测

 6．2．3 选择窗口宽度(w)

 6．3 差分

 6．3．1 剔除趋势

 6．3．2 剔除季节性(季节调整、去季节化)

 6．3．3 剔除趋势和季节性

 6．4 简单指数平滑处理

 6．4．1 选择平滑处理参数

 6．4．2 移动平均和简单指数平滑之间的关系

 6．5 高级指数平滑处理

 6．5．1 带有趋势的序列：加法模型

 6．5．2 带有趋势的序列：乘法模型

 6．5．3 带有趋势和季节性的序列

 6．5．4 带有季节性的时间序列(无趋势)

 6．6 指数平滑方法的扩展

 6．6．1 多个季节周期

 6．6．2 加法平滑常数

第7章 其他预测方法

 7．1 预测中如何应用外部信息

 7．1．1 案例1：预狈0农作物的产量

 7．1．2 案例2：预测电影的票房收入

 7．2 预测二元结果

 7．3 逻辑回归

 7．3．1 逻辑回归简介

 7．3．2 案例：澳大利melbourne的降雨预测

 7．4 神经网络

 7．4．1 神经网络模型

 7．4．2 预处理

 7．4．3 用户输入

 7．4．4 案例：预测amtrak公司的客流

 7．4．5 神经网络的输出

第8章 沟通和维护

 8．1 预测结果的报告

 8．2 预测监测

 8．3 撰写报告

 8．4 保持预测记录

 8．5 决策者的预测调整

第9章 实习案例

 9．1 预测公共交通需求

 9．1．1 问题背景

 9．1．2 问题描述

 9．2 游客预测

 9．2．1 问题背景

 9．2．2 问题描述

 9．3 预测股票价格的变化(2010年inform比赛题目)

 9．3．1 问题背景

 9．3．2 问题描述

附录 axlminer软件的获取方法和菜单项简介

参考文献