时间序列

1.1      算法简介

时间序列分析是一种广泛应用的数据分析方法，主要用于描述和探索现象随时间发展变化的数量规律性。近年来，时间序列挖掘在宏观紧急预测、市场营销、金融分析等领域得到应用。时间序列分析通过研究信息的时间特性，深入洞悉事物发展变化的机制，成为获得知识的有效途径。

时间序列有多种模型，我们使用的是指数平滑法时间序列模型。指数平滑法是布朗(RobertG..Brown)所提出，布朗(RobertG..Brown)认为时间序列的态势具有稳定性或规则性，所以时间序列可被合理地顺势推延；他认为最近的过去态势，在某种程度上会持续到最近的未来，所以将较大的权数放在最近的资料。指数平滑法不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。简单表示为：当期预测值= a * 当期观察值 + (1 - a) * 上期预测值，其中a是一个大于0小于1的系数。

一段时间内收集到的数据所呈现的上升或下降趋势将导致指数预测滞后于实际需求。通过趋势调整，添加趋势修正值，可以在一定程度上改进指数平滑预测结果。调整后的指数平滑法的公式为：包含趋势预测= 当期预测值 + 趋势校正。

季节性变动是客观事物常见的一种规则，如服装的销量会随着季节的不同出现周期性的变动，铁路客运会随着节假日的出现而出现周期性的变动。但是季节变化是有规律的，其表现形式为一年为周期，逐年的同月或同季有想通过的变化方向和大致相同的变动幅度。通过季节调整，添加季节修正值，可以一定程度上改进指数平滑预测结果。调整后的指数平滑公式为：包含季节预测 = 当期预测值 + 季节校正。

当然，对于既有趋势变动，又有季节变化的数据，在预测时就需要同时加上趋势校正和季节校正。调整后的公式为：包含趋势和季节预测 = 当期预测值 + 趋势校正 + 季节校正。

1.2      算法应用

时间序列是预测算法，根据过去某段时间内的数据预测未来一段时间的可能的数据。在预测过程中，用户要选择是否带有季节变化及季节变化周期，系统会自动计算趋势校正值，生成最终的时间序列模型。

指数平滑法有如下优点：

（1）       计算简单

（2）       样本要求量较少

（3）       适应性较强

（4）       结果较稳定

同时，指数平滑法也有如下缺点：

（1）       仅适合于短期的预测

时间序列对形如“时间，观察值”的数据进行建模，其中时间和观察值都需要是数值形式的，且每条记录的时间差值要一样，即时间是等间距的（如，1、2、3、…，不能是1、3、4、…）。在应用模型时，只需要配置需要预测的期数，就可以得出相应的结果。