数学建模常用技术——时间序列分析（一）

        时间序列分析（Time Series Analysis）,用通俗的话讲，就是通过已有的数据来预测未来一段时间的数据的一项技术，数学建模中，我们所用到的“时间序列分析”一般是时间序列分析大类中的时序时序分析。

        应用领域：预测国家GDP，预测全球气温走势，预测网络舆情热度……

        条件限制：待预测的数据必须存在某种潜在规律，这种规律可能人类无法识别，但必须存在，如果数据是100%随机生成的，那么就无法使用该技术去预测

        Time Series Analysis的基本实现流程：

1. 在时间序列中随机抽样得到观察值序列
2. 分析观察值序列，判断是否存在规律
3. 判断规律的特征与类型，根据特征选择适当的拟合模型
4. 根据序列的观察数据确定模型的口径（即确定相关参数的值）
5. 模型检验，调整优化

我们首先从基本实现流程的前两步讲起：

        拿到一个连续的时间序列，首先对其进行随机抽样后，我们要对抽样结果（也就是观察值序列）分析其是否存在规律，如果存在规律，说明这个序列是可预测的，否则就是不可预测的。

        平稳性检验：

        通俗讲就是检验时间序列是否稳定，是否存在周期规律

        检验一个时间序列的平稳性，我们需要计算这个时间序列的特征统计量，一般使用低阶矩作为时间序列的特征统计量

        低阶矩是一个数学概念，具体来说，它包含：一阶矩：期望（均值），二阶矩：方差

        这里二阶矩需要额外补充几个概念：自协方差与自相关系数

首先是自协方差：

其次是自相关系数：