什麼是時間序列分析（Time Series Analysis）？

時間序列分析是研究按時間順序排列的數據點序列，以識別模式、趨勢和週期性，並預測未來值。

核心概念

時間序列分析的核心概念圍繞著理解和分解時間序列數據的組成部分。這些組成部分包括：

趨勢 (Trend): 數據在長期內的總體方向，可以是上升、下降或平穩。
季節性 (Seasonality): 在固定時間間隔內重複出現的模式，例如每年的銷售額高峰或每日的交通高峰。
週期性 (Cyclical): 比季節性更長期的波動，通常與經濟週期相關。
不規則性 (Irregularity): 隨機或不可預測的波動，也稱為噪音。
自相關性 (Autocorrelation): 序列中某個時間點的值與過去時間點的值之間的相關性。
平穩性 (Stationarity): 時間序列的統計特性（例如均值和方差）不隨時間變化。許多時間序列模型都假設數據是平穩的，或者可以通過轉換使其平穩。

時間序列分析的運作原理基於建立數學模型來描述時間序列數據。常用的模型包括：

自迴歸模型 (AR): 使用過去的值來預測當前的值。AR(p) 模型使用過去 p 個值的線性組合。
移動平均模型 (MA): 使用過去的誤差項來預測當前的值。MA(q) 模型使用過去 q 個誤差項的線性組合。
自迴歸移動平均模型 (ARMA): 結合了 AR 和 MA 模型。ARMA(p, q) 模型使用過去 p 個值和過去 q 個誤差項的線性組合。
自迴歸積分移動平均模型 (ARIMA): 擴展了 ARMA 模型，可以處理非平穩時間序列。ARIMA(p, d, q) 模型首先對數據進行 d 次差分，使其平穩，然後應用 ARMA(p, q) 模型。
季節性自迴歸積分移動平均模型 (SARIMA): 擴展了 ARIMA 模型，可以處理具有季節性的時間序列。SARIMA(p, d, q)(P, D, Q)s 模型考慮了季節性成分的 AR、I 和 MA 項。
指數平滑法 (Exponential Smoothing): 對過去的值進行加權平均，權重隨著時間的推移呈指數衰減。常用的指數平滑法包括簡單指數平滑、雙指數平滑和三指數平滑。
卡爾曼濾波 (Kalman Filter): 一種遞迴濾波器，用於估計系統的狀態，即使存在噪聲和不確定性。卡爾曼濾波廣泛應用於導航、控制和信號處理等領域。
向量自迴歸模型 (VAR): 用於分析多個時間序列之間的關係。VAR 模型將每個時間序列表示為其他時間序列的過去值的線性組合。

模型建立的步驟通常包括：

數據收集和預處理: 收集時間序列數據，並進行清洗、缺失值處理和異常值檢測。
平穩性檢驗: 檢驗時間序列是否平穩。常用的平穩性檢驗方法包括 ADF 檢驗和 KPSS 檢驗。
模型選擇: 根據數據的特性和平穩性檢驗結果，選擇合適的時間序列模型。可以使用自相關函數 (ACF) 和偏自相關函數 (PACF) 來幫助選擇模型的階數。
模型訓練: 使用歷史數據訓練模型，估計模型參數。
模型評估: 使用測試數據評估模型的性能。常用的評估指標包括均方誤差 (MSE)、均方根誤差 (RMSE) 和平均絕對誤差 (MAE)。
預測: 使用訓練好的模型預測未來的數據點。

時間序列分析在各個領域都有廣泛的應用，包括：

具體案例：

股票價格預測： 利用過去的股票價格數據，預測未來的價格走勢，幫助投資者做出投資決策。常用的模型包括 ARIMA 和 GARCH 模型。
零售銷售預測： 利用過去的銷售數據，預測未來的銷售額，幫助零售商進行庫存管理和營銷活動規劃。SARIMA 模型可以有效地處理具有季節性的銷售數據。
電力需求預測： 利用過去的電力需求數據，預測未來的電力需求，幫助電力公司進行發電計劃和電網調度。可以使用機器學習模型，例如迴歸樹和神經網路，來提高預測精度。

假設數據是平穩的，但實際上不是： 許多時間序列模型都假設數據是平穩的。如果數據不平穩，則需要進行差分或其他轉換，使其平穩。
選擇了不合適的模型： 不同的時間序列模型適用於不同的數據特性。需要根據數據的特性選擇合適的模型。
過度擬合： 使用過於複雜的模型可能會導致過度擬合，即模型在訓練數據上表現良好，但在測試數據上表現不佳。可以使用交叉驗證等方法來避免過度擬合。
忽略了外部因素： 時間序列數據可能會受到外部因素的影響，例如經濟政策、自然災害等。在建立模型時，需要考慮這些外部因素。
數據質量差： 時間序列分析的結果取決於數據的質量。如果數據存在缺失值、異常值或錯誤，則需要進行清洗和預處理。
過度依賴自動化工具： 雖然許多軟體包提供了自動化的時間序列分析功能，但使用者仍然需要理解模型的原理和假設，才能做出正確的決策。盲目地使用自動化工具可能會導致錯誤的結果。

延伸學習

想看時間序列分析的完整影片教學？前往美第奇 AI 學院