时间序列(time series)系列1—简介

一、简介

笔者在工作中，接触到了客流数据，网络质量数据等，零零散散的对时间序列分析方法进行了学习和实践。
在平时的工作中，大多数公司都会有很多时序数据，也都离不开时序数据的挖掘。
所以现在整理分享出来，忘大家批评指正。

---

二、什么是时序数据

时间序列数据（time series data）是在不同时间上收集到的数据，用于描述现象随时间变化的情况。
时间序列是一种典型的数据，具有随时间变化的特征。在大多数场景中，都能见到的一种数据类型。
如客流数据，股票数据，销售额数据，网络日志，某些KPI指标等等内容。

Time	Value
2018-11-01	2222
2018-11-02	3241
2018-11-03	4232
...	...

---

三、时间序列的分析

一般情况下,时间序列数据可以分解为3个部分，如下图所示：

• Trend，数据的总体变化趋势
• Seasonality，数据的周期性/季节性变化

• Residuals，数据的残差或者噪音

  
  
  时间序列分解图

                          y = trend + seasonality + residuals
  上图就是时间序列分解图，时间序列数据可以看出是 trend, seasonal, residual等信号的叠加。对其进行分解，有助于我们了解数据，对数据进一步分析。

四、时间序列预测方法

首先我们要有个目标，想通过时间序列数据完成什么样的目标，短期、中期、长期预测。然后需要尽可能的收集时间序列数据，数据越多，能够发现更多数据特征，预测会更准确。时间序列需要对数据中的缺失、异常、范围等进行处理。
常见的时间序列数据预测方法，笔者主要总结一下几种：

• 简单平均法
• 移动平均法
• 指数平均法
• ARIMA法
• Prophet法
• 线性回归、KNN等机器学习算法
• LSTM等深度学习算法

下面，我会针对每种算法进行简单的介绍，以及示例分析。没有详细介绍的部分，也会给出更好的参考文献，供大家学习。
希望大家有所提升，我也是不断的在学习。谢谢。
有问题欢迎留言，转载请注明地址。