时序数据易混淆点（持续更新）

1、时间序列预测的特征通常包括：

趋势：时间序列长期的平均变化趋势，可以是线性的，也可以是非线性的。

• 例如：经济增长，股市长期走势

季节性：季节性是指在相同时间周期内不断重复出现的周期性变化。

周期性：数据中不固定周期的波动。它可以是固定的，也可以是不规则的。周期性通常表现为往复波动，但这些波动没有固定的周期或振幅。

随机或噪音（Noise）：由于各种原因导致不可预测的波动

2、数据分解成imf和残差，其中的残差与随机或噪声不一样，残差与残差可能包含噪音，但也可能包含未被捕获的有用信息或模式。噪音则是纯粹的随机波动，不含有用信息。

3、时序数据分解方法：加法模型和乘法模型。

加法模型 (Additive Model)

在加法模型中，时序数据 Y(t) 可以表示为这些组件的和：

Y(t)=Trend+Seasonality+Cyclic+Noise

• 适用情况：当各组件之间相互独立，或者季节性和周期性的幅度不随时间变化时，通常使用加法模型。

乘法模型 (Multiplicative Model)

在乘法模型中，时序数据Y(t) 可以表示为这些组件的乘积：

Y(t)=Trend×Seasonality×Cyclic×Noise

• 适用情况：当季节性和周期性的幅度随着时间（或趋势）而变化时，通常使用乘法模型。

我们所提的EMD、VMD、EEMD等时序数据分解方法与上述方法均不同，EMD、VMD和EEMD通常用于更复杂的非线性和非平稳信号分析，而加法和乘法模型更适用于相对简单、稳定的时间序列数据。