深入时序分析：分类、模型与算法全景解析

深入时序分析：分类、模型与算法全景解析

在数据科学的广阔领域中，时序数据以其独特的时间属性和动态变化特性，成为了分析和预测的重要对象。无论是金融市场的股价波动、电商平台的销售趋势，还是医疗健康领域的生理信号监测，时序数据都扮演着关键角色。为了更好地理解和利用这些数据，我们需要掌握时序数据的分类方法、构建有效的时序模型，以及运用恰当的算法进行深入分析。本文将带你走进时序数据的世界，从数据分类到模型构建，再到算法应用，为你提供一幅全面的时序分析全景图。我们将探讨如何将时序数据划分为不同的类别，评估各种时序模型的优劣，以及总结在实际应用中表现出色的时序算法。通过本文的阅读，你将获得对时序数据分析的深刻洞察，为你的数据科学之旅增添新的视角和工具。

---

一、时序数据分类

1、单变量时序数据

• 单变量时序数据是指在一段连续时间内收集的、仅包含单个变量或指标的数据序列。这种类型的数据集中只包含一个观测值的时间序列，而没有其他额外的特征或维度。

• 举例来说，如果你收集了一家商店每日销售额的数据，这些数据记录了每天的销售数额，但没有包含其他影响销售额的因素（比如促销活动、天气状况等）。在这种情况下，销售额数据就是一个单变量时序数据集。

• 单变量时序数据集中仅有两列，一列时间数据，一列标签数据。

• 这类数据对于时间序列分析来说是基础性的。它们通常用于预测未来的趋势、识别周期性模式、寻找异常值或突发事件，并对时间序列中的特定模式进行建模。

• 单变量时序数据在很多领域都有应用，比如经济学中的股票价格、销售数据、气象学中的温度、医学中的生命体征监测等。这些数据在其本身所包含的单一度量方面提供了重要的见解和信息。

2、多变量时序数据

• 多变量时间序列是现实中更加常见的、更普遍存在的时间序列数据，是指在一段连续时间内收集的、包含多个变量或指标的数据序列。与单变量时序数据不同，多变量时序数据涉及到多个观测值在时间上的演变，每个观测值都代表数据集中的一个不同方面或特征。

• 在多变量时间序列中，时间是影响标签变化的因素之一，除了时间之外，往往还有别的决定性因素、或同样重要的因素和时间共同作用、影响着标签。例如，考虑一个包含温度、湿度和风速的气象站数据。每小时记录的温度、湿度和风速值组成了一个多变量时序数据点。在这种情况下，每个时刻都有三个变量的观测值。

• 多变量时序数据通常以矩阵或数据帧的形式表示，其中每一列对应一个变量，每一行对应一个时间步。相比单变量时序数据，这样的数据集在时间序列分析和预测、机器学习、统计建模等领域中都是更加常见的。

• 应用多变量时序分析的例子包括交通流量监测，其中可能包含车辆速度、密度和流量等多个变量；金融领域中的股票市场数据，包含多个股票的价格和交易量等；医学中的生命体征监测，涉及多个生理参数等。

• 分析多变量时序数据通常需要考虑变量之间的相互关系，了解它们在时间上的联动以及如何共同影响系统的演变。模型的建立和分析方法可能会因数据的复杂性而有所不同。

• 机器学习在做时间序列预测时大多使用多变量时序数据。

二、时序模型分类

1、Forecasting（未来预测/时序预测）

未来预测/时序预测

2、Time Supervision（时序有监督学习）

时序有监督学习

三、常用时序算法

1、统计学/机器学习领域

常用时序算法总结

2、深度学习领域

常用时序算法总结