AI全景之第八章第三节：时间序列分析与预测技术

时间序列分析与预测技术：从统计模型到深度学习

时间序列数据是按照时间顺序排列的观测值集合，存在于金融、物联网、供应链、气象等几乎所有领域。时间序列分析旨在理解数据中的趋势、季节性和依赖关系，预测则是基于历史模式推断未来值。随着数据规模和复杂性的增加，时间序列技术已从传统的统计方法演进到深度学习和神经符号方法。

1. 时间序列基础与特征

1.1 时间序列组成要素

时间序列可以分解为几个系统性成分：

• 趋势：长期上升或下降的方向性变化

  • 线性趋势：𝑦(𝑡)=𝑎+𝑏𝑡
  • 非线性趋势：多项式、指数等

• 季节性：固定周期内重复出现的模式

  • 周期长度已知（如：日、周、年）
  • 幅度可能随时间变化

• 周期性：非固定周期的波动模式

  • 经济周期（约4-8年）
  • 难以精确预测周期长度

• 残差：去除系统成分后的随机波动

  • 可能包含自相关结构
  • 理想情况下应为白噪声

1.2 关键统计特性

• 平稳性：

  • 严平稳：联合分布随时间平移不变
  • 弱平稳：均值恒定，自协方差仅依赖时滞
  • 检验方法：ADF检验、KPSS检验

• 自相关性：

  • 自相关函数：𝐴𝐶𝐹(𝑘)=𝐶𝑜𝑟𝑟(𝑦_𝑡, 𝑦_(𝑡−𝑘))
  • 偏自相关函数：去除中间滞后影响后的相关性

• 季节性：

  • 季节自相关：在季节周期倍数处的显著自相关
  • 季节单位根：需季节性差分消除

• 长记忆性：

  • 自相关函数缓慢衰减（双曲衰减而非指数衰减）
  • Hurst指数 𝐻>0.5 表明长记忆性

2. 经典时间序列模型

2.1 自回归移动平均模型

2.1.1 ARMA模型

ARMA(𝑝, 𝑞)模型结合自回归和移动平均：

𝑦_𝑡 = 𝑐 + Σ(𝜑_𝑖·𝑦_(𝑡−𝑖)) + Σ(𝜃_𝑗·𝜀_(𝑡−𝑗)) + 𝜀_𝑡 其中：𝜑为自回归系数，𝜃为移动平均系数，𝜀为白噪声

• 模型识别：

  • ACF拖尾，PACF截尾 → MA模型
  • ACF截尾，PACF拖尾 → AR模型
  • 两者均拖尾 → ARMA模型

• 参数估计：

  • 最大似然估计
  • 矩估计方法

• 模型诊断：

  • 残差白噪声检验：Ljung-Box检验
  • 参数显著性检验

2.1.2 ARIMA模型

ARIMA(𝑝, 𝑑, 𝑞)通过差分处理非平稳序列：

• 差分运算：

  • 一阶差分：∇𝑦_𝑡 = 𝑦_𝑡 − 𝑦_(𝑡−1)
  • 季节差分：∇_𝑠 𝑦_𝑡 = 𝑦_𝑡 − 𝑦_(𝑡−𝑠)

• 模型扩展：

  • SARIMA：加入季节成分
  • ARIMAX：加入外生变量

• Box-Jenkins方法论：

  1. 模型识别（平稳化、ACF/PACF分析）
  2. 参数估计
  3. 模型诊断
  4. 预测

2.2 指数平滑方法

2.2.1 简单指数平滑

适用于无趋势、无季节性序列：

ŷ_(𝑡+1|𝑡) = 𝛼·𝑦_𝑡 + (1−𝛼)·ŷ_(𝑡|𝑡−1) 其中：𝛼∈(0,1)为平滑参数

• 预测为历史观测的加权平均
• 权重呈指数衰减

2.2.2 Holt线性趋势模型