# 什么是時間序列預測？ > 原文： [https://machinelearningmastery.com/time-series-forecasting/](https://machinelearningmastery.com/time-series-forecasting/) 時間序列預測是機器學習的一個重要領域，往往被忽視。 這很重要，因為有很多涉及時間成分的預測問題。這些問題被忽略了，因為正是這個時間組件使得時間序列問題更難以處理。 在這篇文章中，您將發現時間序列預測。 閱讀這篇文章后，你會知道： * 時間序列，時間序列分析和時間序列預測的標準定義。 * 時間序列數據中要考慮的重要組成部分。 * 時間序列的例子，使您的理解具體化。 讓我們開始吧。  什么是時間序列預測？ 照片由 [Dennis Kleine](https://www.flickr.com/photos/theartificer/6473624063/) 拍攝，保留一些權利。 ## 時間序列 普通機器學習數據集是觀察的集合。 例如： ```py observation #1 observation #2 observation #3 ``` 時間確實在普通機器學習數據集中發揮作用。 當在未來某個日期之前可能不知道實際結果時，對新數據進行預測。未來正在被預測，但所有先前的觀察幾乎總是被平等對待。也許用一些非常小的時間動力來克服“_ 概念漂移 _”的想法，例如僅使用去年的觀測而不是所有可用的數據。 時間序列數據集是不同的。 時間序列在觀察之間增加了明確的順序依賴：時間維度。 此附加維度既是約束，也是提供附加信息源的結構。 > 時間序列是按時間順序進行的一系列觀察。 - 第 1 頁，[時間序列分析：預測和控制](http://www.amazon.com/dp/1118675029?tag=inspiredalgor-20)。 例如： ```py Time #1, observation Time #2, observation Time #3, observation ``` ## 描述與預測 根據我們是否有興趣了解數據集或進行預測，我們有不同的目標。 了解一個名為 _ 時間序列分析 _ 的數據集可以幫助做出更好的預測，但不是必需的，并且可能導致大量的技術投資在時間和專業知識上與預期結果沒有直接對應，這預測了未來。 > 在描述性建模或時間序列分析中，時間序列被建模以根據季節性模式，趨勢，與外部因素的關系等來確定其組成部分。 ...相比之下，時間序列預測使用時間序列中的信息（可能包含其他信息）來預測該系列的未來值 - 第 18-19 頁， [R 實用時間序列預測：動手指南](http://www.amazon.com/dp/0997847913?tag=inspiredalgor-20)。 ### 時間序列分析 使用經典統計時，主要關注的是時間序列的分析。 時間序列分析涉及開發最能捕獲或描述觀察到的時間序列的模型，以便了解根本原因。該研究領域尋求時間序列數據集背后的“_ 為什么 _”。 這通常涉及對數據形式進行假設并將時間序列分解為構成組件。 描述性模型的質量取決于它描述所有可用數據的程度以及它為更好地通知問題域提供的解釋。 > 時間序列分析的主要目標是開發數學模型，從樣本數據中提供合理的描述 - 第 11 頁，[時間序列分析及其應用：R 實例](http://www.amazon.com/dp/144197864X?tag=inspiredalgor-20) ### 時間序列預測 對時間進行預測稱為時間序列數據的經典統計處理中的外推。 更多現代領域專注于該主題，并將其稱為時間序列預測。 預測涉及使模型適合歷史數據并使用它們來預測未來的觀測。 描述性模型可以借用未來（即平滑或消除噪聲），它們只是尋求最好地描述數據。 預測中的一個重要區別是，未來完全不可用，只能根據已經發生的事情進行估算。 > 時間序列分析的目的通常是雙重的：理解或模擬產生觀測序列的隨機機制，并根據該序列的歷史預測或預測序列的未來值 - 第 1 頁，[時間序列分析：應用于 R](http://www.amazon.com/dp/0387759581?tag=inspiredalgor-20) 。 時間序列預測模型的技能取決于其在預測未來方面的表現。這通常是以能夠解釋為什么進行特定預測，置信區間甚至更好地理解問題背后的根本原因為代價的。 ## 時間序列的組成部分 時間序列分析提供了一系列技術來更好地理解數據集。 也許最有用的是將時間序列分解為 4 個組成部分： 1. **等級**。系列的基線值，如果它是一條直線。 2. **趨勢**。隨著時間的推移，系列的可選且通常線性增加或減少的行為。 3. **季節性**。隨時間變化的可選重復模式或行為周期。 4. **噪音**。觀測中的可選可變性，無法通過模型解釋。 所有時間序列都有一個級別，大多數都有噪音，趨勢和季節性是可選的。 > 許多時間序列的主要特征是趨勢和季節變化......大多數時間序列的另一個重要特征是在時間上緊密相連的觀察往往是相關的（依賴于序列） - 第 2 頁， [R](http://www.amazon.com/dp/0387886974?tag=inspiredalgor-20) 入門時間序列 可以認為這些組成成分以某種方式組合以提供觀察到的時間序列。例如，它們可以一起添加以形成如下模型： ```py y = level + trend + seasonality + noise ``` 可以在行為和組合方式上對這些組件做出假設，這允許使用傳統的統計方法對它們進行建模。 這些組件也可能是預測未來價值的最有效方式，但并非總是如此。 在這些經典方法不能產生有效表現的情況下，這些組件可能仍然是有用的概念，甚至是替代方法的輸入。 ## 關注預測 在預測時，了解您的目標非常重要。 使用蘇格拉底方法并提出許多問題來幫助您放大預測建模問題的具體細節。例如： 1. **你有多少數據，你可以一起收集這些數據嗎？** 更多數據通常更有幫助，為探索性數據分析，模型測試和調整以及模型保真度提供了更多機會。 2. **預測所需的時間范圍是多少？短期，中期還是長期？** 更短的時間范圍通常更容易預測，信心更高。 3. **預測可以隨時間更新，還是必須進行一次并保持靜態？** 在新信息可用時更新預測通常可以獲得更準確的預測。 4. **需要預測的時間頻率是多少？** 通常可以在較低或較高頻率下進行預測，從而可以利用下采樣和數據上采樣，從而在建模時提供優勢。 時間序列數據通常需要清理，縮放甚至轉換。 例如： * **頻率**。也許數據的提供頻率太高而無法建模，或者在某些模型中需要重新采樣的時間間隔不均勻。 * **異常值**。也許存在需要識別和處理的腐敗或極端異常值。 * **缺少**。也許存在需要插補或估算的間隙或缺失數據。 通常，時間序列問題是實時的，不斷為預測提供新的機會。這為時間序列預測增添了誠實，可以快速排除錯誤假設，建模錯誤以及我們可能欺騙自己的所有其他方式。 ## 時間序列預測的例子 時間序列預測問題幾乎無窮無盡。 以下是一系列行業的 10 個例子，使時間序列分析和預測的概念更加具體。 * 每年按州預測玉米產量。 * 預測幾秒鐘內的腦電圖跡線是否表明患者是否癲癇發作。 * 每天預測股票的收盤價。 * 每年預測一個城市所有醫院的出生率。 * 預測商店每天銷售的產品銷售額。 * 每天預測通過訓練站的乘客數量。 * 每個季度預測一個州的失業率。 * 每小時預測服務器上的利用率需求。 * 預測每個繁殖季節的兔子種群數量。 * 每天預測一個城市的汽油平均價格。 我希望您能夠將這些示例中的一個或多個與您自己的時間序列相關聯，預測您想要解決的問題。 ## 摘要 在這篇文章中，您發現了時間序列預測。 具體來說，你學到了： * 關于時間序列數據以及時間序列分析和時間序列預測之間的差異。 * 在執行分析時可以將時間序列分解成的組成部分。 * 時間序列預測問題的例子，使這些想法具體化。 您對時間序列預測或此帖有任何疑問嗎？ 在下面的評論中提出您的問題。