时间序列预测方法

传统方法

均值法
用过去的某段时间内的均值作为预测值。
季节性均值法
均值法的一点优化，用过去的同类时间内的均值作为预测值。
举个栗子：预测一下周五下午四点的销售量。均值法：所有天销售量的均值作为预测值；季节性均值法：我用过去n周周五下午四点的销售量的均值作为预测值。
朴素法
用最后的值作为预测值。
季节性朴素法
做最后的值的n个同类的值的均值（或者中位数等）作为预测值。
再举个栗子：预测一下下周五下午四点的销售量。朴素法：我用周四（如果有）下午四点的值作为预测值。季节性朴素法，我用n个周周四下午四点的销售量的均值作为预测值。
漂移法
假设目标的函数是线性的，将第一个数据和最后一个数据做连线，延长到需要预测的时间点，作为预测值。
周期因子法
举个栗子：根据下面的数据预测第四周的数据

首先，计算每周数据的均值（最大值，最小值等等都OK），作为基准。本栗中均值为100。
然后，计算每天数据占基准值的比例。（数据有瑕疵，不要钻牛角尖）

有了上面两步的结果，就可以做预测了。
预测step1，预测第四周的均值。可以使用各种方法。假设预测的均值是110。
预测step2，根据前三周每天占基准值的比例，预测第四周每天占基准值的比例。可以使用各种方法。
预测fianl step，用预测的基准值乘以预测的比例。

传统模型

AR
Autoregressive Models，自回归模型。就是一个线性回归，使用过去n个时间节点的值作为x，求得一个线性回归模型去预测。
AR介绍
MA
Moving Average Models移动平均模型。与AR类似，都是建立回归模型。但是MA时以过去n个时间点的AR误差作为x，以此建立回归模型。
MA介绍

ARMA
AR + MA
ARIMA
暂时我还没有看，可以参考这片博文。
ARIMA

时间序列分解

Prophet
将时间序列分解为趋势，季节性，节假日，残差。逐个分析，逐个实现，最后叠加。

机器学习模型

将时间问题转化成回归问题，但是二者也有区别，时序问题假设数据是（时间）相关的，回归问题假设数据是独立的。
xgboost
lightgbm

深度学习模型

LSTM
Seq2Seq
Transformer