利用Python进行时间序列的预测(1)--时间序列初识
前言
本篇主要根据Analytic Vidhya上的课程Time Series Analysis讲义制作。这个课程主要为想解决与时间系列预测相关问题的人设计的,深入浅出地讲解了与时间序列分析相关的必要技能和技术，并且课程还提供了足够的理论和实践材料来进一步供大家提升技能，个人认为是非常好的学习材料，为进一步巩固知识，在此整理分享。原创发布在个人网站www.sunsoda.fun
课程主要从以上主要三个版块:
- 理解时间序列
- 数据挖掘
- 数据预测
废话少说让我们进入时间序列的世界吧！本篇主要介绍关于TS的一些基本概念，内容如下
- 认识时间序列
- 时间序列的组成
认识时间序列
在开始学习前，我们必须要明白一个概念，什么是“时间序列”呢？看下面两幅图,你认为哪个属于是时间序列呢？
一般来说，时间序列（Time series,TS）是指随着时间收集的数据，并且依赖于时间变化。上面两个例子，我们不难看出汽车的数量是独立于时间的，因此它不算一个时间序列，但是二氧化碳含量明显随着时间推移增加，因此它是一个时间序列。
时间序列：一系列按照时间顺序收集的数据集合，称为时间序列。
时间序列在我们日常生活中运用十分广泛，大多数的商业公司要使用时间序列数据来分析下一年的销售数字，网站流量，流量，收到的电话数量等等。一个时间序列的数据可以很好的帮助我们来做预测工作。
接下来再看几个时间序列的例子，通过这些例子，希望大家能更好地理解什么是时间序列，什么是非时间序列
股价变动
航空公司旅客人数
温度变化
旅馆游客数目
时间序列的组成
在了解何为时间序列后，我们接下来进一步认识时间序列，先来看看时间序列重要的组成部分。
- Trend(趋势)：
趋势是某事物发展或变化的一般方向。所以我们看到下面这个时间序列有很明显的增长趋势，随着时间的推进，乘客数量也明显增加。
Example:
上图中，红色线即代表了TS的变化趋势 - Sesonality(周期性部分)：
在上面的时间序列中，我们还注意到在一定的时间间隔内，数据出现了重复，这种特点就称为周期性。
小结
通过本章的学习我们主要了解了以下内容：
- 时间序列的定义
- 时间序列和非时间序列的差异
- 时间序列的组成:趋势+周期