时间序列规则和时间序列模型

1. 时间序列规则

1.1 什么是时间序列规则

对于赛题/业务的规则之前已经描述了它的重要性和应用，在此不再赘述。这章主要了解时间序列及其规则，和周期的应用。

1.1.1 时间序列

时间序列（或称动态数列）：指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。

目的：时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势，而时间序列预测方法的核心就是从数据中挖掘出这种规律，并利用其对将来的数据做出估计。

• 可以反映社会经济现象的发展变化过程，描述现象的发展状态和结果。
• 可以研究社会经济现象的发展趋势和发展速度。
• 可以探索现象发展变化的规律，对某些社会经济现象进行预测。
• 利用时间序列可以在不同地区或国家之间进行对比分析，这也是统计分析的重要方法之一。

构成要素：长期趋势，季节变动，循环变动，不规则变动。

• 长期趋势（ T ）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势。
• 季节变动（ S ）现象在一年内随着季节的变化而发生的有规律的周期性变动。
• 循环变动（ C ）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动。
• 不规则变动（I ）是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。

时间序列的规则：

• 时期长短最好一致
• 总体范围大小应该一致
• 指标的经济内容应该统一
• 时间段内的计算方法应该统一
• 计算价格和计量单位可比性

1.2 时间序列的周期简介

A. 平稳序列
是基本上不存在趋势的序列，序列中的各观察值基本上在某个固定的水平上波动，在不同时间段波动程度不同，可缓和，可波动，不存在规律周期。

B. 非平稳序列
是包含趋势、季节性或周期性的序列，只含有其中一种成分，也可能是几种成分的组合。可分为：有趋势序列、有趋势和季节性序列、几种成分混合（例如T、S、C、I全有）而成的复合型序列。

a. 趋势T
时间序列在长时期内呈现出来的某种持续上升或持续下降的变动，也称长期趋势。时间序列中的趋势可以是线性和非线性。

b. 季节性S
季节变动（seasonal fluctuation）,是时间序列在一年内重复出现的周期波动。这里的季节不仅指一年中的四季，其实是指任何一种周期性的变化。含有季节成分的序列可能含有趋势，也可能不含有趋势。

c. 周期性C
循环波动（cyclical fluctuation），是时间序列中呈现出来的围绕长期趋势的一种波浪形或振荡式波动。周期性通常是由经济环境的变化引起。
不同于趋势变动，不是朝着单一方向的持续运动，而是涨落相间的交替波动。
不同于季节变动，季节变动有比较固定的规律，且变动周期大多为一年，循环波动则无固定规律，变动周期多在一年以上，且周期长短不一。

d. 不规则性I
除此之外，还有偶然性因素对时间序列产生影响，致使时间序列呈现出某种随机波动。时间序列除去趋势、周期性和季节性后的偶然性波动，称为随机性（random），也称不规则波动（irregular variations）。

关于时间序列模型下个章节会详细介绍。

1.3 中位数、临近数据等简单统计量

时间序列的几个模型在第一章节已做介绍，下面对常用特征数据进行筛选分析。

中位数
常见得时间序列特征数据之一：中位数。中位数作为时间序列的特征是一种简单而有效的提取周期因子的方法。因为中位数稳健又十分鲁棒，不受极端值的影响。不过缺点也比较明显，中位数损失了很多信息，后续可以进行优化，例如提取均值和中位数进行融合，按照权重以测试集的结果暂定。

均值
刚才有提到，可以应用均值和中位数进行融合优化特征。其实均值也是常用的模型特征之一，不过由于分布问题，在均匀正态分布的时候较适合使用。

临近数据
对于时间序列特征而言不得不提临近数据，在有一定延续性，季节性以及小区建的趋势时候，临近数据是必不可少的特征之首。

1.4 基于周期因子的时间序列预测

对于同个群体/个人或同类群体/个人在一定的时间段内进行的固定活动都具有一定的时间序列规则，有一定的周期性，例如支付、金融、市场、交通数据等等。对于时间序列而言，周期因子是重要的核心。

1.4.1 周期因子的时间序列预测案例

举个简单的栗子：

由图可以看到周一