时间序列及异常检测综述（资料）

1. 背景

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。
时间序列数据格式：(单变量)

Time	Value
2018-11-01	2222
2018-11-02	3241
2018-11-03	4232

… …

2. 时间序列预测方法

首先我们要有个目标，想通过时间序列数据完成什么样的目标，短期、中期、长期预测,单步、多步，单变量，多变量。然后需要尽可能的收集时间序列数据，数据越多，能够发现更多数据特征，预测会更准确。
时间序列需要对数据中的缺失、异常、范围等进行处理。并且如何可以将预测问题转换为分类问题，则预测的难点会大大降低。
常见的时间序列数据预测方法，主要总结一下几种：

• 简单平均法
• 移动平均法
• 指数平均法
• ARIMA法
• Prophet法
• 线性回归、KNN等机器学习算法
• LSTM等深度学习算法

下面主要对其中几种方法进行介绍，其他方法提高参考链接，可自行学习。

3. ARIMA

ARIMA模型全称为自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数࿰