时间序列分析是数据分析领域的重要技术，广泛应用于金融、气象、运维等场景。以下为关键知识点梳理：
1. 核心概念
- 时间序列：按时间顺序排列的数据点集合，如股票价格、传感器数据
- 趋势分解：将序列拆分为趋势项（长期变化）、季节项（周期性波动）、残差项（随机噪声）
- 平稳性检验：使用ADF测试判断序列是否具备统计平稳性 📈
2. 常用方法
| 方法 | 用途 | 示例 |
|---|---|---|
| 移动平均 | 平滑短期波动 | plotly.express.line(df, x='date', y='value').rolling_mean() |
| ARIMA | 拟合趋势与季节性 | statsmodels.tsa.arima.model.ARIMA(...) |
| Prophet | 处理缺失值与异常 | 官方文档 📘 |
3. 工具推荐
- 🐍 Python：Pandas（数据处理）、Statsmodels（统计模型）、Prophet（预测）
- 📈 R语言：
forecast包（自动预测）、tseries包（技术分析） - 📊 可视化：Plotly 实现动态图表展示
4. 扩展学习
如需深入理解时间序列预测的数学原理，可参考：
时间序列分析_数学基础 🔍