時間序列預測模型及其常用方法（重點已標注）

一、定義

時間序列：將某一指標在不同時間上的不同數值，按照時間的先後順序排列而成的數列。

時間序列預測模型(Time Series Prediction Model)：用已有的時間序列資料預測未來序列值。

典型時間序列：每年國內生產總值

典型時間序列：日銷售額

二、分析

由於前後時刻的數值或資料點的相關性往往呈現某種趨勢性或週期性變化，

因此時間序列裡蘊藏著其他資訊形式所不能代替的有用知識。通過研究資訊的時間特性或時間的順序，挖掘事物進化的規律，從而獲得有用的知識。

與回歸模型的區別在於，回歸模型不強調資料間的先後順序，而時間序列模型要考慮時間特性，充分挖掘時間特性蘊藏的有用知識，比如：時間週期的層次（天、周、月、年等）、特殊日子的影響（節假日等）。

三、常用方法

確定性時間序列預測方法，

主要是把資料的變動看成是長期趨勢、季節變動和隨機變動共同作用的結果，設法消除隨機性波動、分解季節性變化、擬合確定性趨勢，形成對發展水準分析、趨勢變動分析、週期波動分析和長期趨勢加週期波動分析等一系列確定性時間序列預測方法。

隨機時間序列預測方法的研究模型有自回歸（Auto Regressive，AR）模型、移動平均（Moving Average，MA）模型以及自回歸移動平均（Auto Regressive Moving Average，ARMA）模型。

由於這些模型假設時間序列是平穩的，和實際有所差距，預測精度不能保證，同時複雜的模型技術和巨大的計算量也是其不足之處。此外，神經網路、遺傳演算法等方法也都可用於時間序列的預測。

茫茫頭條中，你我相遇，關注一辰君，獲取更多有趣有用的知識