【数据分析】- 时间序列

---

一、定义

时间序列（或称动态数列） 是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。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同，时间序列中的时间可以是年份、季度、月份或其他任何时间形式。

---

二、构成要素

1）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。
2）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。
3）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。
4）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。

---

三、时间序列预测模型

3.1 指数平滑法

是在移动平均法基础上发展起来的一种时间序列分析预测法。据平滑次数不同，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑法等。

递推关系式：

si是时间步长i（理解为第i个时间点）上经过平滑后的值，xi 是这个时间步长上的实际数据。 α可以是0和1之间的任意值，它控制着新旧信息之间的平衡：当 α 接近1，就只保留当前数据点；当α 接近0时，就只保留前面的平滑值(整个曲线都是平的)。

3.2 ARIMA模型

ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。

3.3霍尔特-温特模型

有的地方也叫三次指数平滑法。Holt-Winters 方法在 Holt模型基础上引入了 Winters 周期项（也叫做季节项），可以用来处理月度数据（周期 12）、季度数据（周期 4）、星期数据（周期 7）等时间序列中的固定周期的波动行为。引入多个 Winters 项还可以处理多种周期并存的情况。

当一个序列在每个固定的时间间隔中都出现某种重复的模式，就称之具有季节性特征，而这样的一个时间间隔称为一个季节性特征。