时间序列分析

本页介绍时间序列分析（Time Series Analysis）——从按时间排列的历史数据中找规律，预测未来。它是金融、零售、能源、气象等行业的核心技术。从 ARIMA 等经典统计方法到 LSTM、Transformer 等深度学习方法，再到 2024-2025 年的时序基础模型（Time Series Foundation Models），时间序列分析正经历从”每个任务单独训练”到”预训练大模型零样本预测”的范式转变。前置阅读：监督学习、特征工程。

核心直觉

时间序列分析的本质：历史会重演——找到规律，就能预测未来。但”规律”有不同的层次：

趋势 Trend = 大方向：数据整体往上走（如 GDP 增长）、往下走（如人口下降）、还是持平？趋势是最容易识别的长期规律。
季节性 Seasonality = 周期性重复：冰淇淋销量夏天高冬天低，地铁客流工作日多周末少——这些固定周期的波动就是季节性。
残差 Residual = 剩下的随机噪音：去掉趋势和季节性后，剩下的就是不可预测的随机波动——模型的目标是尽量解释前两者，残差越小模型越好。

三类方法的直觉：

经典统计方法（ARIMA）= 让过去的值预测未来：自回归（AR）用历史值的线性组合预测；差分（I）把非平稳序列变平稳；移动平均（MA）用历史预测误差修正。ARIMA = AR + I + MA 三者结合。
机器学习方法 = 特征工程 + 树模型：把时间序列问题转化为表格问题——用滞后值（过去 N 步的值）、滑动窗口统计量（均值/方差/最大值）、时间特征（小时/星期/月份）作为特征，用 XGBoost 等模型预测。详见特征工程和梯度提升树详解。
深度学习方法 = 自动学时序模式：LSTM 通过记忆单元捕捉长短期依赖；Transformer 用注意力机制建模全局关系；TCN（时序卷积网络）用因果卷积保证只用过去信息。深度学习无需手动构造特征，但需要更多数据。

2024-2025 新范式：时序基础模型

就像 LLM 改变了 NLP 一样，时序基础模型（Time Series Foundation Models）正在改变时间序列领域：

TimesFM（Google，2024）：一个 200M 参数的 Decoder-Only Transformer，在 1000 亿个真实世界时间序列数据点上预训练。给定一段历史序列，可以直接在从未见过的新数据集上做零样本（Zero-shot）预测——无需任何训练。
Chronos（Amazon，2024）：把时间序列”分词”为离散 token，然后用标准的语言模型（如 T5）做自回归预测。巧妙地将 LLM 的成熟技术迁移到时序领域。
Moirai（Salesforce，2024）：大规模时间序列基础模型，支持多变量输入和概率预测（输出预测区间而非点估计）。
TimeGPT（Nixtla，2023）：商业化时序基础模型 API，声称在多个基准上零样本预测超越传统方法。

范式转变：传统流程是”收集数据 → 手动调参 ARIMA 或训练 LSTM → 预测”；新范式是”拿预训练模型 → 直接零样本预测 → 如有需要则少量微调”。这大幅降低了时间序列预测的工程门槛。

原理详解

时间序列分解

任何时间序列可以被分解为三个组成部分：

y_t = T_t + S_t + R_t

其中 $T_t$ 是趋势项（Trend）， $S_t$ 是季节项（Seasonality）， $R_t$ 是残差项（Residual）。这是加法模型；当季节波动幅度随趋势增大而增大时，更适合用乘法模型 $y_t = T_t \times S_t \times R_t$ （取对数后变为加法模型）。

两种经典分解方法：

经典分解（Classical Decomposition）：用移动平均提取趋势，用月/季度均值提取季节性。简单但对异常值敏感。
STL 分解（Seasonal and Trend decomposition using Loess）：用局部回归（LOESS）平滑提取趋势和季节性，更灵活、更鲁棒，是当前最常用的分解方法。

平稳性与 ADF 检验

平稳性（Stationarity）是时间序列的基石概念：一个平稳序列的统计特性（均值、方差、自相关）不随时间变化。ARIMA 等方法要求输入序列平稳（或经过差分后平稳）。

ADF 检验（Augmented Dickey-Fuller Test）是检验平稳性的标准方法：

原假设 $H_0$ ：序列有单位根（Unit Root，即非平稳）
备择假设 $H_1$ ：序列平稳
如果 p 值 < 0.05，拒绝 $H_0$ ，认为序列平稳

单位根的直觉：随机游走 $y_t = y_{t-1} + \epsilon_t$ 是非平稳的——它的方差随时间无限增大。差分一次后 $\Delta y_t = y_t - y_{t-1} = \epsilon_t$ 变成了白噪声（平稳）。这就是 ARIMA 中差分阶数 $d$ 的含义：差分几次能让序列平稳。

ARIMA 模型

ARIMA(p, d, q) 是经典时间序列模型的集大成者，三个参数分别对应三种机制：

自回归 AR(p)

当前值是过去 $p$ 个值的线性组合加上噪声：

y_t = \phi_1 y_{t-1} + \phi_2 y_{t-2} + \cdots + \phi_p y_{t-p} + \epsilon_t

其中 $\phi_i$ 是自回归系数， $\epsilon_t$ 是白噪声（White Noise，均值为零、方差恒定的随机序列）。

直觉：今天的气温和昨天有关——如果昨天气温突然升高，今天大概率也会偏高。AR 模型就是在量化这种”惯性”。

差分 I(d)

对非平稳序列做 $d$ 次差分使其平稳。一阶差分 $\Delta y_t = y_t - y_{t-1}$ 可以消除线性趋势。ARIMA 中的 I 代表”Integrated”——最终预测需要”反差分”还原到原始尺度。

移动平均 MA(q)

当前值是过去 $q$ 个预测误差的线性组合加上当前噪声：

y_t = \epsilon_t + \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} + \cdots + \theta_q \epsilon_{t-q}

直觉：如果你的预测昨天偏低了 10 度（误差 +10），今天应该把预测往上调一些——MA 就是在用过去的”失误”来修正今天的预测。

季节性扩展 SARIMA

当数据有季节性时，ARIMA 扩展为 SARIMA(p,d,q)(P,D,Q,s)，其中大写字母是季节性对应的参数， $s$ 是季节周期（如月度数据 $s=12$ ）。

指数平滑族

指数平滑（Exponential Smoothing）是 ARIMA 的有力替代，核心思想是给近期的数据更大的权重：

简单指数平滑（SES）： $\hat{y}_{t+1} = \alpha \, y_t + (1-\alpha) \hat{y}_t$ ，其中 $\alpha \in (0,1)$ 。权重呈指数衰减——最近的数据权重最大。
Holt 线性趋势法：在 SES 基础上增加趋势项，适合有线性趋势但无季节性的数据。
Holt-Winters 三参数法：再加季节项，适合既有趋势又有季节性的数据。三种变体：加法季节、乘法季节、阻尼趋势。

LSTM 时序预测

LSTM（Long Short-Term Memory）通过门控机制（遗忘门、输入门、输出门）解决 RNN 的梯度消失问题，适合捕捉长短期依赖：

输入：过去 $L$ 步的序列 $(x_{t-L}, \ldots, x_{t-1})$ （滑动窗口）
输出：未来 $H$ 步的预测 $(\hat{y}_t, \ldots, \hat{y}_{t+H-1})$
优势：自动学习时间依赖，不需要手动指定 AR 阶数；能处理多变量输入
劣势：需要大量数据训练，容易过拟合，训练慢

Transformer 时序模型

2020 年以来，研究者开始用 Transformer 架构处理时间序列，核心优势是注意力机制可以直接建模任意远距离的依赖关系：

Informer（Zhou et al., AAAI 2021）：用 ProbSparse 自注意力处理长序列，解决了标准注意力 $O(n^2)$ 的问题。
PatchTST（Nie et al., ICLR 2023）：借鉴 ViT 的 patch 思想——把时间序列切分为多个 patch，每个 patch 做一个 token，大幅提升效率和效果。
TimesNet（Wu et al., ICLR 2023）：发现 1D 时间序列可以通过 FFT 转为 2D 张量——同时捕捉”周期内”和”周期间”两种变化模式。
iTransformer（Liu et al., ICLR 2024）：反转维度——在变量维度上做注意力而非时间维度，简单有效。

Transformer 在时序上的争议：2023 年 Zeng et al. 的论文 “Are Transformers Effective for Time Series Forecasting?” 用一个简单的线性模型 DLinear 打败了多个 Transformer 变体，引发激烈讨论。核心问题是：很多 Transformer 时序模型在长序列预测中并未真正利用长距离依赖，而是主要靠近期的简单趋势。但 PatchTST 和 iTransformer 等后续工作证明了 Transformer 的潜力。

原理图解

时间序列分解

任何时间序列可以分解为趋势 + 季节性 + 残差：

方法选择决策

时序基础模型工作流

动手实践

STL 分解 + ADF 平稳性检验

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import STL
from statsmodels.tsa.stattools import adfuller

# 生成带趋势和季节性的模拟数据（120 个月）
np.random.seed(42)
t = np.arange(120)
data = 10 + 0.5 * t + 5 * np.sin(2 * np.pi * t / 12) + np.random.randn(120) * 2

# STL 分解（比经典分解更灵活、更鲁棒）
stl = STL(data, period=12, robust=True)
result = stl.fit()
fig, axes = plt.subplots(4, 1, figsize=(12, 10), sharex=True)
axes[0].plot(data);          axes[0].set_title('原始数据')
axes[1].plot(result.trend);   axes[1].set_title('趋势 Trend')
axes[2].plot(result.seasonal); axes[2].set_title('季节性 Seasonal')
axes[3].plot(result.resid);   axes[3].set_title('残差 Residual')
plt.tight_layout(); plt.savefig('stl_decomposition.png', dpi=150)

# ADF 检验：检查残差是否平稳（应该平稳）
adf_stat, p_value = adfuller(result.resid)[:2]
print(f"ADF 统计量: {adf_stat:.3f}, p-value: {p_value:.4f}")
print(f"残差{'平稳' if p_value < 0.05 else '非平稳'}")

STL 分解结果：原始数据、趋势、季节性、残差

ARIMA 预测（statsmodels）

from statsmodels.tsa.arima.model import ARIMA

# ARIMA(p, d, q): p=自回归阶数, d=差分阶数, q=移动平均阶数
model = ARIMA(data, order=(2, 1, 1))
fitted = model.fit()
print(fitted.summary())  # 查看模型参数和 AIC

# 预测未来 12 个月
forecast = fitted.forecast(steps=12)
print(f"未来 12 个月预测值: {forecast.round(1)}")

# 模型诊断：残差应该是白噪声（无自相关）
residuals = fitted.resid

auto_arima 自动参数搜索

# pip install pmdarima
from pmdarima import auto_arima
import numpy as np

np.random.seed(42)
t = np.arange(120)
data = 10 + 0.5 * t + 5 * np.sin(2 * np.pi * t / 12) + np.random.randn(120) * 2

# 自动搜索最优 (p,d,q)，按 AIC 排序
model = auto_arima(data, seasonal=True, m=12,  # m=季节周期
                   d=None, D=None,           # 自动确定差分阶数
                   trace=True,               # 打印搜索过程
                   error_action='ignore', suppress_warnings=True)
print(f"最优 SARIMA 阶数: {model.order} x {model.seasonal_order}")

Prophet：Facebook 的业务预测工具

# pip install prophet
import pandas as pd
from prophet import Prophet

# Prophet 要求数据框有两列: ds(日期) 和 y(值)
np.random.seed(42)
dates = pd.date_range('2020-01-01', periods=120, freq='M')
y = 10 + 0.5 * np.arange(120) + 5 * np.sin(2 * np.pi * np.arange(120) / 12) + np.random.randn(120) * 2
df = pd.DataFrame({'ds': dates, 'y': y})

# Prophet 自动处理趋势、季节性、节假日
m = Prophet(yearly_seasonality=True, changepoint_prior_scale=0.05)
m.fit(df)

# 预测未来 12 个月
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(12).round(1))
# yhat: 点预测, yhat_lower/upper: 80% 预测区间

XGBoost 时序预测（特征工程方法）

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
import xgboost as xgb
from sklearn.metrics import mean_squared_error

# 生成数据
np.random.seed(42)
t = np.arange(365)
y = 20 + 0.1 * t + 10 * np.sin(2 * np.pi * t / 365) + np.random.randn(365) * 3

# 构造表格特征：把时序问题转化为表格问题
def make_features(y, lags=[1, 2, 3, 7, 14, 28], window=7):
    df = pd.DataFrame({'y': y})
    for lag in lags:
        df[f'lag_{lag}'] = df['y'].shift(lag)              # 滞后特征
    df['rolling_mean'] = df['y'].shift(1).rolling(window).mean()  # 滑动均值
    df['rolling_std'] = df['y'].shift(1).rolling(window).std()    # 滑动标准差
    return df.dropna()

feat = make_features(y)
X = feat.drop('y', axis=1).values
y_train = feat['y'].values

X_tr, X_te, y_tr, y_te = train_test_split(X, y_train, test_size=0.2, shuffle=False)
model = xgb.XGBRegressor(n_estimators=200, learning_rate=0.05, max_depth=5)
model.fit(X_tr, y_tr)
pred = model.predict(X_te)
rmse = np.sqrt(mean_squared_error(y_te, pred))
print(f"XGBoost RMSE: {rmse:.3f}")

时序基础模型零样本预测（概念示例）

"""
使用 Google TimesFM 进行零样本时间序列预测的概念示例。
TimesFM 是在 1000 亿个时间序列点上预训练的 Decoder-Only Transformer。
"""
# pip install timesfm  （需要 Python 3.10+, 较新版本 PyTorch）
# import timesfm

# 初始化预训练模型
# tfm = timesfm.TimesFm(
#     hparams=timesfm.TimesFmHparams(
#         backend="gpu",
#         per_core_batch_size=32,
#         horizon_len=128,           # 预测未来 128 步
#     ),
#     checkpoint=timesfm.TimesFmCheckpoint(
#         huggingface_repo_id="google/timesfm-1.0-200m-pytorch"
#     ),
# )

# 零样本预测：无需任何训练，直接输入历史序列
# context = [your_time_series_data]  # 一段历史数据
# forecast = tfm.forecast(context)
# forecast_point = forecast[0].mean  # 点预测
# forecast_interval = forecast[0].quantiles  # 预测区间

# 对比：传统 ARIMA 需要为每个序列单独拟合，
# 而 TimesFM 可以对任意新序列直接零样本预测——
# 这是时序领域从"每个任务从头训练"到"预训练+零样本"的范式转变

实践要点

先检查平稳性：ARIMA 要求时间序列平稳（均值和方差不随时间变化）。用 ADF 检验判断是否平稳，不平稳就做差分（d 参数）使其平稳。
ARIMA 参数选择：p（AR 阶数）和 q（MA 阶数）可以通过 ACF/PACF 图辅助选择（截尾处即为阶数），也可以用 auto_arima（pmdarima 库）自动搜索最优参数。
不要忘了基线模型：在尝试复杂模型前，先跑一个朴素基线（Naive Baseline）——“明天的值等于今天的值”或”下个月的值等于去年同月的值”。如果你的复杂模型还不如基线，说明方向错了。这是时间序列实践中最常见的错误。
深度学习不一定更好：在很多时间序列任务上，精心调参的 ARIMA 或 XGBoost 可以打败 LSTM。2023 年的研究（Zeng et al.）甚至表明简单线性模型在某些基准上超越了 Transformer 变体。深度学习的优势在多变量、非线性复杂关系和大规模数据场景。
注意数据泄露：时间序列的特征工程中，不能用未来信息预测过去——所有滞后特征必须严格使用 $t-k$ （ $k>0$ ）的数据。交叉验证要用 TimeSeriesSplit，不能用普通随机划分。
评估指标：时间序列常用 MAE（平均绝对误差）、MAPE（平均绝对百分比误差，便于理解但 y=0 时不可用）、RMSE（均方根误差，对大误差敏感）和 MASE（平均绝对缩放误差，相对于朴素基线的改进比例，MASE < 1 表示比基线好）。
概率预测优于点预测：输出预测区间（如 80%/95% 置信区间）比单一点预测更有业务价值——你可以知道”最坏情况是什么”。Prophet 和 Chronos 都支持概率预测。
多变量 vs 单变量：如果外部变量（天气、促销）对目标有显著影响，多变量模型通常更好；但如果外部变量本身就难以预测，简单的单变量模型反而更稳健。
2025 年实践建议：
- 先跑朴素基线和 SARIMA/XGBoost 建立基线
- 然后尝试时序基础模型（TimesFM、Chronos）的零样本预测
- 如果零样本不够好，做少量微调（Few-shot Fine-tuning）
- 只有在上述都不够时，才考虑从头训练 Transformer 或 LSTM

典型应用

销量预测 → 零售/电商：预测未来一周/月各商品销量，指导备货和库存管理——沃尔玛、京东用销量预测优化供应链，减少缺货和积压，直接转化为利润。
电力负荷预测 → 能源：预测未来 24 小时各区域用电量，电网据此调度发电机组——电力不可大规模存储，负荷预测准确度直接关系电网安全和成本。
金融预测 → 量化交易/风险管理：股价、汇率、利率的走势预测是量化交易的基础（虽然有效市场假说认为长期不可预测，但短期波动模式可挖掘）；VaR（风险价值）计算依赖波动率预测。
交通流量预测 → 智慧交通：预测各路段未来时段的车流量，导航软件（高德/百度地图）据此推荐最优路线，交管部门据此优化信号灯配时。
天气预测 → 气象：气温、降水、风速的时间序列预测——从数值天气预报到深度学习辅助预测，天气预报是人类最重要的预测任务之一。
服务器负载预测 → 云计算运维：预测 CPU/内存/带宽需求，指导弹性扩容——Netflix、AWS 用时间序列预测实现自动伸缩（Auto-scaling），节省成本。

典型类库与工具

类库	语言	说明
statsmodels	Python	经典统计时序库，提供 ARIMA、SARIMAX、指数平滑、STL 分解、ADF 检验等
pmdarima	Python	ARIMA 自动参数搜索库，类似 R 的 auto.arima
Prophet	Python/R	Facebook 开源，擅长处理节假日和季节性的业务预测，简单易用
darts	Python	统一接口的时序库，覆盖从 ARIMA 到 Transformer 的全谱方法
sktime	Python	基于 scikit-learn API 的机器学习时序工具库
NeuralProphet	Python	Prophet 的神经网络增强版，融合可解释性与深度学习
TimesFM	Python	Google 时序基础模型，零样本预测
Chronos	Python	Amazon 基于语言模型的时序预测

术语表

术语	英文	解释
平稳性	Stationarity	时间序列的统计特性（均值/方差/自相关）不随时间变化
差分	Differencing	用相邻观测值之差使非平稳序列变平稳的操作
自回归	AutoRegressive (AR)	用历史值的线性组合预测当前值的模型
移动平均	Moving Average (MA)	用历史预测误差的线性组合修正预测的模型
ACF / PACF	Auto/Partial Auto-Correlation Function	自相关/偏自相关函数，用于选择 ARIMA 参数
季节性	Seasonality	时间序列中以固定周期重复的规律性波动
滞后特征	Lag Feature	用过去若干步的值作为预测当前值的特征
时序交叉验证	TimeSeriesSplit	保证训练数据在时间上早于测试数据的交叉验证方式
STL 分解	STL Decomposition	基于 LOESS 回归的时间序列分解方法，提取趋势和季节性
单位根	Unit Root	使时间序列非平稳的特征，ADF 检验的目标
时序基础模型	Time Series Foundation Model	在海量时序数据上预训练的通用模型，支持零样本预测
零样本预测	Zero-shot Forecasting	无需任何训练，直接在未见过的时序数据上做预测
概率预测	Probabilistic Forecasting	输出预测分布（区间）而非单一点估计

延伸阅读

经典方法谱系：ARIMA（Box & Jenkins 1970，时间序列分析的”圣经”级框架）→ SARIMA（加入季节项）→ 指数平滑（Holt 1957 / Winters 1960，Holt-Winters 三参数法）→ State Space 模型 / Kalman 滤波。这些方法至今仍是时间序列分析的基石。推荐教材：Hyndman & Athanasopoulos,《Forecasting: Principles and Practice》(3rd ed., 2021，免费在线)，时序预测的最佳入门书。
Prophet：Taylor & Letham 2018 “Forecasting at Scale”（PeerJ），Facebook 的业务预测工具，擅长处理节假日效应和变点检测。
机器学习方法谱系：特征工程（滞后值 + 滑动窗口 + 时间编码）+ 树模型（XGBoost / LightGBM）是 M4 等时序竞赛中的强力方案。集成方法见集成学习与随机森林。
深度学习方法谱系：LSTM（Hochreiter & Schmidhuber 1997，解决 RNN 长依赖问题）→ TCN（时序卷积网络，Bai et al. 2018）→ Informer（Zhou et al. 2021，稀疏注意力处理长序列）→ PatchTST（Nie et al. ICLR 2023，把 Transformer 的 patch 思路引入时序）→ TimesNet（Wu et al. ICLR 2023，将一维时序转为二维以同时捕捉周期内和周期间变化）→ iTransformer（Liu et al. ICLR 2024，反转维度做注意力）。Transformer 架构见Transformer 架构。
时序基础模型：TimesFM（Das et al., Google, ICML 2024）、Chronos（Ansari et al., Amazon, 2024）、Moirai（Woo et al., Salesforce, ICML 2024）——代表时序领域的”Foundation Model”路线，用海量时序数据预训练实现零样本预测。
争议与反思：Zeng et al. 2023 “Are Transformers Effective for Time Series Forecasting?”（AAAI 2023）用简单线性模型 DLinear 质疑 Transformer 在时序上的有效性，引发重要讨论。