时间序列预测是一种统计方法,用于预测未来一段时间内时间序列数据的值或趋势。时间序列是按照时间顺序排列的数据序列,例如每月销售额、每日气温、每小时股票价格等。时间序列预测的目标是根据过去的观测结果来推断未来的数据点。
- 时间序列数据:
- 正常的机器学习数据集由观察集合组成,其中每个观察都被平等对待。例如:
观察#1
观察#2
观察#3
- 相反,时间序列数据集在观察之间添加了显式顺序依赖性。这是按时间顺序进行的一系列观察:
时间#1,观察
时间#2,观察
时间#3,观察
- 描述性建模与预测:
- 描述性建模(或时间序列分析):通过识别季节模式、趋势和外部因素等组成部分来理解数据集。
- 预测:使用时间序列中的信息(可能带有附加数据)来预测该序列的未来值。
总之,时间序列预测可以利用历史模式预测未来结果,以便做出明智的决策。
- 常用的时间序列预测方法:
- 移动平均法:基于过去一段时间内的平均值来预测未来值。
- 指数平滑法