一、时间序列法概念
时间序列分析法（TimeSeriesAnalysis）是一种基于历史观测数据，通过数学模型拟合趋势、周期和随机波动来预测未来数值的定量分析方法。其核心逻辑是假设事物过去和现在的变化规律会延续到未来，仅依靠自身时序数据建模，区别于需要外部自变量的回归分析。
时间序列数据可分解为四大构成要素：趋势项（长期整体走向）、季节项（固定周期循环波动）、循环项（长周期经济周期波动）和随机扰动项（突发偶然波动）。分解模型分为加法模型（波动幅度稳定）和乘法模型（波动随数值变大同步放大）。
适用前提包括：数据按等间隔时间采集、历史规律具备延续性、数据连续且缺失值少。
优点是仅需自身历史数据，数据易得、计算简单、落地成本低，适合短期和中期预测；缺点是无法捕捉外部突发变量冲击，长期预测误差会持续放大，结构性变革场景完全失效。
二、主流时间序列方法及完整计算逻辑
按复杂度从低到高划分，主要方法包括：
（一）简单平均法
适用于数据无明显趋势、无季节波动，长期平稳不变的场景。计算公式为未来预测值等于全部历史数据的算术平均值。
（二）移动平均法MA
分为简单移动平均（SMA，等权重）和加权移动平均（WMA，近大远小权重）。SMA适用于短期平稳数据，WMA适用于近期数据更有参考价值的情况。
（三）指数平滑法
分为一次（SES，适用于无趋势、无季节的平稳数据）、二次（Holt线性平滑，适用于存在线性趋势、无季节波动数据）和三次（Holt-Winters，适用于同时含趋势+季节波动的数据）指数平滑。平滑系数α越大，越看重近期数据。
（四）趋势外推法
适用于数据呈现稳定线性/曲线长期趋势，无强季节波动的场景。通过最小二乘法拟合趋势参数，直接外推未来数值。
（五）ARIMA模型
全称自回归积分移动平均模型，结构拆解ARIMA(p,d,q)。p为自回归阶数，d为差分阶数（使序列平稳），q为移动平均阶数。计算逻辑包括平稳化、确定最优p、q，参数估计，模型检验和反向差分还原。
（六）季节分解法STL
通过滑动平均分离趋势T、季节S、残差e，剥离季节干扰后先预测趋势，再叠加季节系数得到最终预测。
三、计算示例
案例1：3期简单移动平均计算，某门店近5个月销售额用3期移动平均预测第6月销量为14.33万元。
案例2：一次指数平滑计算，α=0.3，1月实际销量100，1月预测值95，预测2月销量为当期真实值×α+上期预测值×(1-α)。
案例3：线性趋势外推最小二乘法，年度用气数据拟合𝐀=𝐀+𝐀𝐀，预测第5年用气量为181.5。
四、行业落地应用案例
案例1：能源行业——城市月度天然气负荷预测（Holt-Winters三次指数平滑），通过拆分趋势、季节波动和随机扰动，计算每月季节系数，叠加趋势+季节系数预测未来12个月用气规模，用于管网调峰、储气库计划等。
案例2：零售商贸——月度商品销量预测（移动平均+指数平滑），近3个月加权移动平均预测，节假日单独修正季节系数，用于库存补货、促销备货等。
案例3：金融行业——股价、大宗商品短期价格预测（ARIMA/GARCH时序模型），利用历史价格时序拟合波动规律，做短期价格预判。
案例4：交通运输——道路日车流量预测（时间序列分解），工作日车流高、周末低（7天季节周期），逐年小幅上涨，方法为STL季节分解+二次指数平滑，用于高速收费站排班、道路养护规划。
案例5：制造业——生产线月度产能/原材料消耗（趋势外推），产能逐年线性提升，方法为线性趋势外推法，用于原材料采购预算、设备扩产规划。
案例6：人力资源——企业月度人员流失预测，按月统计离职人数，识别淡旺季波动，提前安排招聘计划。
五、时间序列法完整通用操作步骤
（一）数据预处理：整理等间隔时序，剔除异常值，缺失值插值填充，绘制时序图判断趋势、季节。
（二）序列分解：拆分趋势、季节、随机项，判断数据特征。
（三）匹配模型选型：
1.平稳无趋势无季节：一次指数平滑、移动平均
2.线性趋势无季节：二次指数平滑、线性外推
3.趋势+季节：Holt-Winters、STL分解
4.复杂波动、学术建模：ARIMA
（四）参数拟合：以误差最小为标准，拟合平滑系数α/β/γ、回归系数a/b、ARIMA阶数p/d/q。
（五）模型精度检验：常用指标包括MAE、MSE、MAPE，MAPE越小预测越准。
（六）预测输出+修正：输出未来多期预测值，叠加外部定性因素人工修正。
六、适用与不适用场景总结
（一）适合用时间序列法
1.短期预测（1-12个月最佳）；2.数据周期规律稳定（月度销量、季度能耗、日流量）；3.缺少外部影响指标，仅有自身历史数据。
（二）不适合
1.长期预测（3年以上，误差持续放大）；2.即将发生结构性变革（政策巨变、生产线停产、市场替代）；3.完全无周期、无稳定趋势的随机数据。
