时间序列法应用详解

一、时间序列法概念 （一）定义 时间序列分析法（TimeSeriesAnalysis），是以事物历史随时间顺序排列的观测数据为基础，挖掘数据自身随时间变化的内在规律，通过数学模型拟合趋势、周期、随机波动，从而预测未来一段时期数值的定量分析方法。逻辑假设：事物过去、现在的变化规律会延续到未来，不引入外部自变量，仅依靠自身时序数据建模，区别于回归分析（回归需要外部影响因子）。 （二）时间序列四大构成要素（所有时序模型拆解基础） 任意一组时序数据𝐀𝐀都可分解为4部分叠加/相乘： 1.趋势项𝐀𝐀：长期整体上升/下降/平稳走向（如居民用电量逐年上涨） 2.季节项𝐀𝐀：固定周期循环波动（商超月度销量、空调夏季高峰） 3.循环项𝐀𝐀：长周期经济周期波动（3—10年，行业景气周期） 4.随机扰动项𝐀𝐀：突发、无规律偶然波动（疫情、极端天气、突发事件） 5.两种分解模型： a.加法模型：𝐀𝐀=𝐀𝐀+𝐀𝐀+𝐀𝐀+𝐀𝐀（波动幅度稳定，最常用）b.乘法模型：𝐀𝐀=𝐀𝐀×𝐀𝐀×𝐀𝐀×𝐀𝐀（波动随数值变大同步放大） （三）适用前提 1.数据按等间隔时间采集（日/周/月/年，不能间隔混乱）；2.历史规律具备延续性，无颠覆性突变；3.数据连续、缺失值少（缺失需插值补全）。 （四）优缺点 优点：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、中期预测。 缺点：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，全部附计算公式与计算步骤： （一）简单平均法 1.适用场景 数据无明显趋势、无季节波动，长期平稳不变（基础产能、基础固定耗材消耗）。 2.计算公式 设历史时序数据：𝐀1,𝐀2, . . . ,𝐀𝐀，未来预测值𝐀^ 3.计算逻辑 全部历史数据取算术平均值，直接作为下一期预测值，权重完全均等。 （二）移动平均法MA（常用基础模型） 分为简单移动平均SMA、加权移动平均WMA 1.简单移动平均（等权重） 适用：短期平稳数据，消除随机噪声；取最近n期数据平均，老旧数据直接舍弃。公式（n=3期移动平均举例）： 计算逻辑：固定窗口长度n，窗口随时间滚动更新，每次去掉最早一期、加入最新一期求平均。 2.加权移动平均（近大远小权重） 适用：近期数据更有参考价值，给近期数据更高权重。公式（3期，权重3、2、1）： （三）指数平滑法（工业、商业预测主流） 不需要保存全部历史数据，仅需上期实际值+上期预测值，轻量化计算；分三类：一次、二次、三次指数平滑。平滑系数𝐀∈(0,1）：𝐀越大，越看重近期数据；越小，越平滑历史均值。 1.一次指数平滑（SES） 适用：无趋势、无季节的平稳数据 公式：𝐀𝐀+1=𝐀𝐀𝐀+ (1−𝐀)𝐀 逻辑：下期预测=当期真实值×权重α+上期预测值×权重(1-α) 2.二次指数平滑（Holt线性平滑） 适用：存在线性上升/下降趋势、无季节波动数据 双参数：平滑系数𝐀（数值平滑）、𝐀（趋势平滑） 两组迭代公式： c.水平值：𝐀𝐀=𝐀𝐀𝐀+ (1−𝐀)(𝐀𝐀−1+𝐀𝐀−1)d.趋势值：𝐀𝐀=𝐀(𝐀𝐀−𝐀𝐀−1) + (1−𝐀)𝐀𝐀−1e.预测h期后：𝐀^𝐀+ℎ=𝐀𝐀+ℎ×𝐀𝐀 3.三次指数平滑（Holt-Winters） 适用：同时含趋势+季节波动（销量、燃气、电力月度负荷），行业最实用时序模型。三参数：𝐀（水平）、𝐀（趋势）、𝐀（季节），分加法/乘法季节模型。 （四）趋势外推法 适用：数据呈现稳定线性/曲线长期趋势，无强季节波动线性趋势：𝐀𝐀=𝐀+𝐀𝐀，最小二乘法拟合a、b，直接外推未来t二次曲线：𝐀𝐀=𝐀+𝐀𝐀+𝐀𝐀2（增速持续上涨/下跌）指数趋势：𝐀𝐀=𝐀𝐀𝐀（增速百分比稳定，如用户规模、营收增长） （五）ARIMA模型（专业统计时序模型） 全称：自回归积分移动平均模型，学术、金融、宏观预测标准模型，结构拆解ARIMA(p,d,q) p：自回归阶数（用前p期历史值预测）d：差分阶数（对原始数据d次差分，消除趋势，让序列平稳）q：移动平均阶数（前q期残差修正预测） 计算逻辑： a.平稳化：差分d次消除趋势；b.AIC/BIC准则确定最优p、q；c.最小二乘估计参数；d.模型检验残差白噪声；e.反向差分还原原始数值，输出预测。 （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，常用于月度能源、零售数据。 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：12、15、13、16、14（万元），用3期移动平均预测第6月销量 1.第4月预测：(12+15+13)/3=13.33 2.第5月预测：(15+13+16)/3=14.67 3.第6月预测：(13+16+14)/3=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 案例3：线性趋势外推最小二乘法 年度用气数据：t(年份1/2/3/4)，用气y(100、120、145、162)拟合𝐀=𝐀+𝐀𝐀，算出b=20.6，a=78.5预测第5年：y=78.5+20.6×5=181.5 四、行业落地应用案例（分领域完整场景） 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） （一）数据：近5年每月燃气消费量（时序，含季节：冬季采暖用气暴涨，逐年趋势上涨） （二）方法：时间序列季节指数平滑（三）计算流程：①拆分长期增长趋势、12个月季节波动、随机扰动；②计算每月季节系数（12月系数1.8，7月系数0.6）；③拟合年度线性增长斜率；④叠加趋势+季节系数预测未来12个月用气规模；（四）应用价值：管网调峰、储气库注采计划、气源采购量测算。 案例2：零售商贸——月度商品销量预测（移动平均+指数平滑） （一）场景：快消品月度销售，夏季旺季、冬季淡季，短期平稳波动；（二）建模逻辑：近3个月加权移动平均，给上月权重最高；节假日单独修正季节系数；（三）落地用途：库存补货、仓储规划、促销备货，减少缺货/积压。 （一）数据：连续月度CPI同比数据，存在短期波动、小幅趋势； （二）建模：差分平稳化，构建ARIMA(1,1,1)模型；（三）用途：央行、统计局短期通胀预判，政策制定参考。 案例4：交通运输——道路日车流量预测（时间序列分解） （一）规律：工作日车流高、周末低（7天季节周期），逐年小幅上涨；（二）方法：STL季节分解+二次指数平滑；（三）应用：高速收费站人力排班、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） （一）特征：产能逐年线性提升，无明显季节波动；（二）方法：线性趋势外推法；（三）作用：年度原材料采购预算、设备扩产规划。 案例6：金融行业——股价、大宗商品短期价格（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（仅适用于无重大政策冲击的平稳阶段）。 案例7：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（标准化流程） （一）数据预处理 整理等间隔时序，剔除异常值，缺失值线性插值填充；绘制时序图，直观判断趋势、季节。 （二）序列分解 拆分趋势、季节、随机项，判断数据特征（平稳/带趋势/带季节）。 （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 平滑系数α/β/γ、回归系数a/b、ARIMA阶数p/d/q，以误差最小为标准。 （五）模型精度检验 常用指标：MAE平均绝对误差、MSE均方误差、MAPE平均相对误差，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（政策、节假日、突发事件）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。