时间序列模型简单总结

时间序列数据是按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周月等。比如，每天某产品的用户数量，每个月的销售额，这些数据形成了以一定时间间隔的数据。

时间序列模型是一种用于进行回归问题建模的模型，整个建模过程只有时间这一个特征，也就是说时间序列的模型预测过程就是希望通过时间这一个特征去对标签进行连续型数值预测。

时间序列问题分为：1、分析序列的特性（探究潜在的影响因素， 理解序列的变化）；2、对未来的序列进行预测和控制。

通常可以分为基于统计学和基于数据驱动两大类方法，主要参考资料：

https://www.lamda.nju.edu.cn/yehj/TSA2022/

1、基于统计学

主要有自回归(AR)模型、滑动平均MA模型、自回归移动平均ARMA模型、差分自回归移动平均ARIMA模型等。

2、基于数据驱动

主要有基于机器学习模型和基于深度学习两类。常用机器学习模型有卡尔曼滤波、状态空间、降维、近邻等。常用深度学习模型有RNN，TCN，LSTM，Transformer等。

时序模型特点：