利用時間序列預測方法，我們可以基於歷史的情況來預測未來的情況。比如共享單車每日租車數，食堂每日就餐人數等等，都是基於各自歷史的情況來預測的。
什麼是時間序列？
- 時間序列，是指同一個變數在連續且固定的時間間隔上的各個資料點的集合，比如每5分鐘記錄的收費口車流量，或者每年記錄的藥物銷量都是時間序列。
時間序列的型別
- 根據時間間隔的不同，時間序列可以是按年度(Annual)、季度、月度、周、小時、分鐘、秒等頻率採集的序列。
時間序列的成分
- 趨勢(Trend)，比如長期上漲或長期下跌。
- 季節性(Seasonal)，比如羽絨服的銷量一般會在冬季更高，或者某家燒烤店的生意一般會在每週五和週六晚上更好。
- 週期性(Cyclic)，比如你時不時搞個大促，那麼銷量在那段時間就會比較好。
- 誤差。
什麼是時間序列預測？
- 就是用同一個變數的歷史值預測未來值，或者除了歷史值以外，還加入一些預測因子(又稱外生變數)來預測未來值。前者稱為單變數時間序列預測，後者稱為多變數時間序列預測。
- 比如，我們要預測某海灘下個月的的遊客數量，除了用歷史遊客數量做預測外，還可以加入溫度這個因子。那麼只用歷史遊客數量做預測就是單變數時間預測，加入溫度這個因子就是多變數時間預測，當然還可以加入其它合理的預測因子，比如該海灘的每月廣告支出等。
一些簡單的預測方法
均值法
所有未來的預測值等於歷史資料的平均值。
樸素法
簡單的將最後一次觀測值作為未來的預測值。
季節性樸素法
相比樸素法，就是考慮了季節性，也就是說將同期的最後一次觀測值作為本期的預測值，比如預測本週的數值，那麼就將上週的週一觀測值作為本週的週一預測值，上週的週二觀測值作為本週的週二預測值，以此類推。
漂移法(drift )
在起始觀測值和最後一次觀測值之間畫一條連線線，延伸到預測時間點，作為預測值，公式如下：
下面的2副圖展示了上面四種方法的預測效果：
常用的時間序列預測法
- Exponential smoothing 指數平滑 簡單說就是用過去的觀測值的加權平均值來作為預測值，權重隨著與當前時刻的距離變遠而呈指數衰減。
- ARIMA 簡單說就是用變數的自迴歸(AR)與歷史預測誤差的自迴歸(MA)構成的時間序列預測模型。
- 基於深度學習的方法 簡單說就是利用神經網路強大的學習能力，從時間序列歷史資料中提取各種可能的特徵，從而對未來進行預測。這部分的模型比較多，比如LSTM,Seq2seq等。
注意，上述的方法並不能說誰一定比誰好，不同的預測場景下每個方法都有可能做出更好的預測，所以通常需要相互比較，以便做出更合理的預測。
本篇介紹了時間序列的相關概念，下一篇將介紹時間序列的一般資料格式和基於python的視覺化方法。
ok,本篇就這麼多內容啦~，感謝閱讀O(∩_∩)O。
