时间序列模型是为了解决一个特别的问题而设计出来的:当我们手头有一堆按时间顺序排列的数据,我们怎么能够从这些数据中看出它们的规律,预测将来可能发生的事情?比如说,股市的走势、天气的变化,或者是商店每天的客流量,这些信息如果能够提前知道,就能帮我们做出更明智的决策。
所以,时间序列模型就是用来分析这种数据的工具。它可以帮助我们发现数据背后的一些规律性,比如某个商品销量每年冬天都会增加,或者某个城市的气温每隔几天就会有个周期性的变化。这些规律如果我们能够理解并把握,就能预测未来的一些情况。
现在,我们来看看时间序列数据的类型。如果一组数据随时间推移,它的平均水平、波动范围之类的特性都不怎么变,那我们就说它是平稳的。这种数据简单多了,因为我们只需要分析过去的情况,就能预测未来。但如果这些特性随时间变化,比如说旅游旺季的时候酒店房价就会涨,这就是非平稳的。再比如,每年春节前后,某些商品的销量就会有个大涨,这就是季节性变化。
为了分析这些数据,学术界发明了不少方法,包括移动平均模型、自回归模型还有自回归移动平均模型。它们各有所长,可以帮助我们从不同角度理解和预测数据。用这些方法,我们就可以根据过去的数据来猜测未来的走势,虽然不是百分之百准确,但至少能给我们一个比较靠谱的参考。总之,时间序列模型就是一个帮我们从时间的角度去理解数据,预测未来的有力工具。
1graph LR
2 A[AR] -- 属于 --> C[ARMA]
3 B[ARIMA] -- 特例 --> D[SARIMA]
4 E[MA] -- 属于 --> C
5 C -- 可延展为 --> B
1graph LR
2 A[AR] -- 属于 --> C[ARMA]
3 B[ARIMA] -- 特例 --> D[SARIMA]
4 E[MA] -- 属于 --> C
5 C -- 可延展为 --> B