【概念学习】时间序列建模

时间序列建模是利用统计方法与机器学习算法分析按时间顺序排列的数据点，并预测未来趋势的过程。与普通数据不同，时间序列数据存在时间依赖性，即当前值会受到历史值的影响，因此需要考虑自相关性、季节性和平稳性等特征。

常见模型类型

ARIMA / SARIMA / SARIMAX：适合平稳或经差分处理后的数据，SARIMA 可处理季节性，SARIMAX 可引入外生变量。

指数平滑法（SES/DES/TES）：对近期数据赋予更高权重，TES 适合同时存在趋势与季节性的数据。

GARCH：用于金融波动性建模，适合异方差数据。

LSTM / RNN：深度学习方法，擅长捕捉长程依赖关系，适合复杂非线性序列。

Prophet / DeepAR：工业级预测工具，支持节假日、趋势变化等特征建模。

Python 示例：ARIMA 模型预测

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error
import numpy as np
# 加载时间序列数据
data = pd.read_csv('timeseries.csv', parse_dates=['date'], index_col='date')
series = data['value']
# 拟合 ARIMA 模型
model = ARIMA(series, order=(2, 1, 2))
model_fit = model.fit()
# 预测未来 10 步
forecast = model_fit.forecast(steps=10)
print(forecast)
# 计算 RMSE
train_size = int(len(series) * 0.8)
train, test = series[:train_size], series[train_size:]
model = ARIMA(train, order=(2, 1, 2)).fit()
pred = model.forecast(steps=len(test))
rmse = np.sqrt(mean_squared_error(test, pred))
print(f"RMSE: {rmse:.2f}")

该示例使用 Statsmodels 实现 ARIMA，适合单变量预测任务。

建模流程建议

数据预处理：缺失值填补、异常值处理、平稳性检验（如 ADF 检验）。

特征分析：绘制自相关（ACF）与偏自相关（PACF）图，识别滞后关系。

模型选择：根据数据特性选择 ARIMA、指数平滑、深度学习等方法。

模型评估：使用 MAE、RMSE、MAPE 等指标评估预测效果。

交叉验证：采用滚动窗口或 Walk-Forward 验证，确保模型泛化能力。

应用场景

趋势预测：销售额、气温、能源需求等。

异常检测：金融欺诈、设备故障预警。

模式识别：季节性消费行为、周期性波动分析。