时间序列预测是数据分析中重要的领域，广泛应用于金融、气象、销售等领域。以下是核心知识点梳理：
🧮 基础概念
时间序列由按时间顺序排列的数据点组成，预测需考虑以下特征：
- 趋势（Trend）：长期变化方向
- 季节性（Seasonality）：周期性波动模式
- 周期性（Cyclicality）：非固定周期的波动
- 残差（Residual）：随机噪声成分
📊 常用方法
| 方法 | 特点 | 应用场景 |
|---|---|---|
| ARIMA | 自回归积分滑动平均模型 | 经济指标预测 |
| SARIMA | 增强ARIMA，支持季节性 | 销售周期预测 |
| Prophet | Facebook开发的可解释模型 | 节日效应分析 |
| LSTM | 递归神经网络 | 复杂模式识别 |
🧪 实战案例
- 股票价格预测 - 使用LSTM捕捉非线性趋势
- 天气数据预测 - 结合SARIMA处理季节性波动
- 电商销量预测 - 通过Prophet分析促销影响
- 交通流量预测 - 应用ARIMA处理周期性模式
📘 扩展阅读
时间序列可视化
图示：典型时间序列分解示意图