完整定義
時間序列分析是一種統計方法,用於分析按時間順序排列的數據點序列。其目標是識別數據中的模式、趨勢、週期性和季節性變化,並利用這些信息來預測未來的數據點。時間序列分析廣泛應用於金融、經濟、氣象、工程等領域。
白話說明
你有沒有看過每天的銷售曲線,想知道下週會不會掉單?
你可以把時間序列分析想成「專門看會隨時間變動的資料」
它不只看數字大小,還看前後順序、趨勢和週期
很適合做需求預測、異常偵測和財務觀察,因為時間本身就是線索
記住這句
先看時間順序,再看趨勢、週期和突然的跳點。
比喻:時間序列分析就像看股票走勢圖 -- 你觀察過去幾天的漲跌、趨勢,試圖找出規律,然後預測明天會漲還是會跌。
容易混淆
時間序列分析 vs 一般表格分析
時間序列分析重視時間順序
一般表格分析不一定在乎先後
最關鍵的區別:有沒有時間軸
時間序列分析 vs 趨勢線
趨勢線只是時間序列裡的一種表現
時間序列分析還會看季節性、波動和異常
最關鍵的區別:一條線不是全部
時間序列分析 vs 異常偵測
時間序列分析範圍更大
異常偵測只是其中一種任務
最關鍵的區別:整體方法和單一任務不要混淆
實際案例
門市營收
某家店每週收入在週末明顯上升,分析後發現是週末人流造成的週期現象,不是廣告突然失效
設備監控
伺服器 CPU 溫度平常穩定,半夜卻突然飆高,這種偏離原本模式的變化很適合先做異常分析
算法與應用
| 趨勢 | 看長期往上、往下或持平 | 常拿來判斷成長方向 |
| 季節性 | 看固定週期重複出現的模式 | 例如週末、月底、節慶 |
| 滯後特徵 | 把前幾期資料拿來當特徵 | 這是很多預測模型的核心 |
| 預測與異常 | 預測未來值或找出離群點 | 兩者常一起使用 |
中英對照與常見說法
- 說法
- 時間序列分析
- 出現場合
- 台灣正式用語
- 說法
- 时间序列分析
- 出現場合
- 簡體寫法
- 說法
- Time Series Analysis
- 出現場合
- 英文原名
- 說法
- 時序分析、時間數列分析
- 出現場合
- 常見變體
- 說法
- Forecasting(預測)
- 出現場合
- 時間序列分析最常見的應用,兩者常被當同義詞使用
一條時間序列可以拆成什麼
拆解方式有加法模型(各成分相加)與乘法模型(各成分相乘)。振幅隨水準放大的資料用乘法模型,或先取對數再用加法模型。
- 成分
- 趨勢(trend)
- 意思
- 長期往上或往下的方向
- 例子
- 十年來的用電量逐年上升
- 成分
- 季節性(seasonality)
- 意思
- 固定週期的重複起伏
- 例子
- 每年冬天用電量上升
- 成分
- 循環(cycle)
- 意思
- 週期不固定的起伏
- 例子
- 景氣循環
- 成分
- 殘差(residual)
- 意思
- 拆完剩下的隨機部分
- 例子
- 無法解釋的波動
定態與為什麼要在意它
定態(stationarity) 指的是統計性質不隨時間改變:平均值、變異數、自相關結構都固定。
ARIMA 這類傳統模型的理論建立在定態假設上,資料不定態就得先處理。常見手段是差分(後一期減前一期,去掉趨勢)與取對數(穩定變異數)。ARIMA 名稱裡的 I 就是差分(Integrated)的意思。
檢定定態常用 ADF 檢定(Augmented Dickey-Fuller)與 KPSS 檢定,兩個的虛無假設方向相反,一起用比較穩妥。
方法與驗證方式
驗證方式一定要用時序切分,不能隨機切。 隨機切等於用未來的資料預測過去,離線指標會漂亮到不真實。正確做法是滾動式驗證(rolling origin):用前 N 期訓練、預測第 N+1 期,往後滾動重複。
一定要有樸素基準線。 最簡單的基準是「明天等於今天」(naive forecast),有季節性時是「今年這個月等於去年這個月」。複雜模型贏不過這條基準線的情況比想像中常見,沒有基準線就不會發現。
- 方法
- 移動平均、指數平滑
- 適合
- 短期、平穩、要求可解釋
- 方法
- ARIMA / SARIMA
- 適合
- 有明確自相關結構、單變量、資料量中等
- 方法
- Prophet
- 適合
- 有多重季節性與假日效應,需要快速上手
- 方法
- 梯度提升樹(配合滯後特徵)
- 適合
- 有大量外生變數,表格化之後表現往往很強
- 方法
- 深度學習(LSTM、Transformer 類)
- 適合
- 序列多、長度長、有跨序列的共通模式
情境判斷
Q1(直覺題):你想預估下個月的訂單量,應該先看什麼?
先看歷史時間序列的趨勢和週期,再決定要不要做預測模型。
Q2(判斷題):你把不同年份的銷售資料混在一起排序,結果還準嗎?
通常不準,因為時間順序被打亂後,很多時間依賴關係就不見了。
常見問題
不一定,很多情況先用移動平均、ARIMA 或傳統統計法就很夠。
因為未來不能先知道過去之後的資訊,順序錯了就會資訊洩漏。
回歸通常不把資料前後順序當重點,時間序列則把順序本身當成主要訊息。
可以做基本分析。Excel 能畫折線圖看趨勢、算移動平均,較新版本還有「預測工作表」與 FORECAST.ETS 函式,可以用指數平滑法做含季節性的預測。需要 ARIMA、定態檢定或一次處理大量序列時,通常改用 Python 或 R。
常見組合是用 pandas 處理日期索引、重新取樣與移動視窗,用 statsmodels 做季節性分解、ARIMA 與 ADF 定態檢定,外生變數多時再搭配 scikit-learn 或梯度提升樹。切分訓練與測試資料時要依時間先後,不能隨機打亂。
出現在這些考古題
官方公告試題的逐題解析裡,有 7 題把時間序列分析列為延伸術語,這裡列出 5 題。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本