当我们记录或收集数据时，时间一直是一个关键因素。在时间序列分析中，时间是数据的重要变量。时间序列分析帮助我们研究一段时间内的进展。


什么是时间序列分析？
时间序列是在特定时间间隔进行的一系列观察，用于确定趋势、预测未来，有时还用于执行一些其他分析。

分析是基于先前观察到的值和间隔进行的。

例如 - 根据过去 6 年的节日销售量预测圣诞节期间电子产品的销售量。

然而，时间序列分析不仅仅是随时间收集数据的行为。时间序列分析可以显示变量在特定时间段内的变化情况。时间序列数据有助于根据历史数据预测和预测未来数据。

为什么组织使用时间序列数据分析？
组织使用时间序列分析来了解系统模式和随时间变化的趋势的根本原因。

使用数据可视化，业务用户可以更深入地挖掘这些趋势发生的原因。

通过以一致的时间间隔分析数据，组织可以预测未来事件的可能性。它可以显示周期性行为或季节性等变化，从而更好地理解数据变量并有助于更好地预测。

例如，戴尔分析了五年的节日销售数据，以确定这个节日的正确策略。

时间序列分析的用途
时间序列分析通常用于随时间波动或受时间影响的行业。零售、电子商务和金融等行业经常使用时间序列分析，因为货币和销售额总是在变化。

股票市场分析是时间序列分析的一个杰出例子，尤其是自动交易算法。此外，时间序列分析还用于预测天气变化，帮助气象学家从天气报告的最后几天预测天气。

时间序列分析的少数应用包括：

天气数据
降雨量测量
温度读数
心率监测 (EKG)
大脑监测（EEG）
季度销售额
股票价格
自动股票交易
行业预测
利率
时间序列数据组件
时间序列数据将包括季节性、趋势、噪声或随机性、曲线和水平。在我们定义这些术语之前，重要的是要注意并非所有时间序列数据都将包含所有这些时间序列组件。

以下是时间序列数据中可能出现的组件：

水平：时间序列数据的“水平”或“水平指数”是指序列的平均值。

噪声：时间序列数据在与任何定义的趋势无关的数据点中总是会有一些噪声或随机性。

季节性：系列中有规律的季节性可预测波动。它们可以是每季度、每周甚至一周中的几天。重要的是要注意季节性是特定领域的。

例如 - 图书销量在 4 月和 5 月期间显着增加。另一个可靠的例子是，与正常日子相比，节日期间的电子产品销售额通常更高。

趋势：数据在特定时间段内的向上和向下移动。数据有一个长期的轨迹，可以是正向或负向。趋势的一个例子是股票市场的走势。

周期：重复与日历无关的更改。这包括经济衰退或扩张或鲑鱼运行周期等商业周期，但与每周、每月或每年意义上的日历无关。

时间序列分析的主要技术和工具
正如时间序列分析中有许多类型、组件和模型一样，研究数据的方法/工具也多种多样。以下是最常见的三种。

Box-Jenkins ARIMA 模型：这些模型用于了解单个时间相关变量，例如随时间变化的温度，并预测变量的未来数据点。这些模型假设数据是静止的。分析师必须尽可能多地消除过去数据点中的差异和季节性。值得庆幸的是，ARIMA 模型包括用于解释模型中的季节性差异运算符、移动平均值和自回归项的项。
Box-Jenkins 多变量模型：这些模型用于分析多个随时间变化的变量，例如温度和湿度。
Holt-Winters 方法： Holt-Winters 方法是一种指数平滑技术。它旨在从包括季节性在内的数据点预测结果。
结论
时间序列分析试图了解模式随时间的变化。这些模式有助于生成精确的预测，例如未来的销售、GDP 和全球气温。

要记住的一件事是，时间序列模型包含时间沿一个方向流动的事实。

与更遥远的发现相比，及时关闭的事件通常具有更强的联系。

像所有数据一样，时间序列数据包含随机波动。这种随机性会掩盖潜在的模式。平滑技术有助于消除这些波动，从而清楚地揭示趋势和周期。


编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选