本课程旨在介绍人工智能（AI）驱动的大数据预测方法，重点关注现代时间序列预测技术及其在大规模数据分析中的应用。学员将学习最新人工智能驱动的预测的范式演变，并掌握如何利用 AI 进行高效的时间序列建模与预测。
选修基础
本课程零基础入门，欢迎各个层级学员选修！
课程目标
本课程旨在帮助学员掌握 AI 驱动的大数据预测方法，培养大规模时间序列建模与分析能力。通过理论学习与实践训练，学生将具备以下核心能力：
- 理解现代时间序列预测思路和方法
- 熟悉基于 Transformer 的时间序列预测技术和应用场景
- 学习利用大语言模型（LLMs）进行时间序列预测
- 掌握基础模型（Foundation Models）在时间序列预测中的应用
- 提升数据处理与建模实践能力，具备从数据预处理、特征工程到模型训练与优化的完整实践能力
- 掌握使用 Python 进行时间序列预测的技巧
- 培养批判性思维和创新能力。能够分析不同预测方法的适用性，并根据数据特点选择合适的建模策略，具备独立设计并实施时间序列预测实验的能力
章节内容
点击这里从北大网盘下载 ，输入提取码： fwai
| 章节 | 主要内容 | 进阶学习 |
|---|---|---|
| 第一讲：人工智能驱动的预测 | 1. 什么是预测？ 2. 人工智能驱动的预测 3. 案例实践 | Jupyter Notebook | A. 快速上手AI计算平台 B. Linux Basics | Jupyter Notebook |
| 第二讲：大语言模型（LLMs）与时间序列预测 | 1. 为什么大语言模型可以做时间序列预测？ 2. 案例实践 | Jupyter Notebook | A. 零基础上手Python | Jupyter Notebook |
| 第三讲：科学预测评价 | 1. 现代预测观点与评价 2. 案例分析：旅游预测与评价 3. 案例实践 | Jupyter Notebook | 延伸阅读：Gneiting, T., & Katzfuss, M. (2014). Probabilistic Forecasting. Annual Review of Statistics and Its Application, Volume 1, 125–151. |
| 第四讲：现代预测范式与预测平台 | 1. AI 驱动预测范式与金融预测 2. 现代预测平台与选择 3. 案例实践：设计一个 AI 预测平台的落地方案 | |
| 第五讲：基于 Transformer 的时间序列大模型 | 1. 从 Transformer 到通用时间序列预测 2. 时间序列预测基础模型 (Foundation Models) 3. 案例实践 | Jupyter Notebook | 延伸阅读：Jin, M., Wang, S., Ma, L., Chu, Z., Zhang, J. Y., Shi, X., Chen, P.-Y., Liang, Y., Li, Y.-F., Pan, S., & Wen, Q. (2023). Time-LLM: Time Series Forecasting by Reprogramming Large Language Models. The Twelfth International Conference on Learning Representations. |
| 第六讲：组合预测 | 1. 组合预测与 Mixture of Experts (MoE) 2. 时间序列大模型的组合预测 3. 案例实践 | Jupyter Notebook | 延伸阅读： 1. Wang, X., Hyndman, R. J., Li, F., & Kang, Y. (2023). Forecast combinations: An over 50-year review. International Journal of Forecasting, 39(4), 1518–1547. 2. Cai, W., Jiang, J., Wang, F., Tang, J., Kim, S., & Huang, J. (2025). A Survey on Mixture of Experts in Large Language Models. IEEE Transactions on Knowledge and Data Engineering, 1–20. |
| 第七讲：特殊数据的预测 | 1. 间歇需求预测 2. 分层预测 3. 案例实践 | Jupyter Notebook | |
| 第八讲：预测前沿选讲 |