本文介绍了时间序列分析的基础知识，包括时间序列数据的定义，常见应用，以及分析过程中的趋势、季节性和残差成分。文章讨论了如何将时间序列问题转化为其他类型的问题，并列举了多种时间序列预测方法，如平均法、SARIMAX、ARIMA、Prophet以及机器学习和深度学习算法。作者鼓励读者深入学习并分享经验。
一、简介
笔者在工作中，接触到了客流数据，网络质量数据等，零零散散的对时间序列分析方法进行了学习和实践。
在平时的工作中，大多数公司都会有很多时序数据，也都离不开时序数据的挖掘。
所以现在整理分享出来，忘大家批评指正。
二、什么是时序数据
时间序列数据（time series data）是在不同时间上收集到的数据，用于描述现象随时间变化的情况。
时间序列是一种典型的数据，具有随时间变化的特征。在大多数场景中，都能见到的一种数据类型。
如客流数据，股票数据，销售额数据，网络日志，某些KPI指标等等内容。
| Time | Value |
|---|---|
| 2018-11-01 | 2222 |
| 2018-11-02 | 3241 |
| 2018-11-03 | 4232 |
| … | … |
这里有些数据集可以下载：time series datasets
三、时间序列的分析
一般情况下,时间序列数据可以分解为3个部分，如下图所示：
- Trend，数据的总体变化趋势
- Seasonality，数据的周
订阅专栏 解锁全文
1165
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
