搜尋意圖： 如果你在找「時間序列預測 是什麼」或「時間序列預測 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 基於歷史時序資料的統計規律，預測未來特定時間點或時間段的數值的技術。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
基於歷史時序資料的統計規律，預測未來特定時間點或時間段的數值的技術。
時間序列預測（Time Series Forecasting）是機器學習與統計學中歷史最悠久、應用最廣泛的任務之一，幾乎所有涉及時間維度的決策支援系統都離不開它。
時間序列的基本組成成分
一個典型的時間序列可以分解為以下幾個成分（加法或乘法組合）：
- 趨勢（Trend）：資料在長時間尺度上的整體上升或下降走勢。
- 季節性（Seasonality）：在固定週期（日、週、月、年）內重複出現的規律性波動。
- 週期性（Cyclicity）：不固定週期的長波動，如經濟景氣循環。
- 殘差 / 噪音（Residual / Noise）：去除上述成分後的隨機波動。
理解並分解這些成分是選擇合適預測方法的基礎。
主要技術方法
一、傳統統計方法
- ARIMA（AutoRegressive Integrated Moving Average）：結合自回歸（AR，用過去值預測未來值）、差分（I，使序列平穩化）和移動平均（MA，利用過去誤差）的線性統計模型。是處理非季節性序列的基礎方法。
- SARIMA（Seasonal ARIMA）：ARIMA 的季節性擴展，加入季節性自回歸、差分和移動平均項。
- Holt-Winters（指數平滑）：處理有趨勢和季節性的序列，透過指數加權移動平均平滑資料。
- Prophet（Facebook/Meta）：基於加法模型，自動分解趨勢、季節性和節假日效應，對業務預測場景友好，能處理缺失值和異常值。
二、機器學習方法
- 基於特徵工程的方法：將時間序列轉換為監督學習問題，以過去 N 個時步的值作為特徵，預測下 M 個時步的值。常用模型包括 XGBoost、LightGBM、Random Forest 等梯度提升方法，在 Kaggle 時序競賽中表現出色。
- RNN / LSTM / GRU：遞迴神經網路自然適合序列資料，能捕捉長短期依賴。
- N-BEATS / N-HiTS：純神經網路時序預測架構，透過堆疊基組件（block）和殘差連結分解時序成分。
- Temporal Convolutional Networks（TCN）：用擴張因果卷積處理時序，能平行計算，速度快於 RNN。
三、Transformer 與大型時序模型
Transformer 在 NLP 的成功激勵了時序領域的研究：
- Autoformer、Informer、PatchTST：針對長序列預測設計的 Transformer 變體，解決原始 Transformer 在長序列上的計算效率問題。
- TimeGPT、MOIRAI、Chronos（Amazon）：大型預訓練時序基礎模型，在海量多領域時序資料上預訓練，可進行零樣本或少樣本預測（類比 NLP 的 GPT 預訓練）。這是時序預測的新興範式，但在特定領域仍不通常優於精心調校的傳統方法。
關鍵技術挑戰
平穩性（Stationarity）：許多統計方法（如 ARIMA）要求序列平穩（均值和方差不隨時間變化）。可用 ADF 檢定（Augmented Dickey-Fuller Test）驗證，不平穩的序列需差分或對數變換後再建模。
預測步數（Forecast Horizon）：單步預測（預測下一個時步）和多步預測（預測未來 N 個時步）難度差異很大。多步預測有兩種策略：遞迴預測（將前一步預測作為下一步輸入，誤差逐步累積）和直接多輸出預測（一次預測全部未來步）。
資料洩漏（Data Leakage）：時序資料的交叉驗證必須保持時序順序，不能隨機打亂：未來資料不能用於預測過去。正確做法是使用時序分割（如前 80% 訓練、後 20% 測試）或時間滾動交叉驗證（Time Series Split）。
外部變數（Exogenous Variables）：許多實際預測任務中，預測目標同時受外部因子影響（如氣溫影響電力需求、促銷活動影響銷售額）。ARIMAX、LightGBM with features 等方法可整合外部變數。
評估指標
時序預測常用的評估指標包括：
- MAE（Mean Absolute Error）：平均絕對誤差，直觀且對離群值不敏感。
- RMSE（Root Mean Square Error）：均方根誤差，對大誤差懲罰更重。
- MAPE（Mean Absolute Percentage Error）：平均絕對百分比誤差，無量綱，可跨序列比較，但當真值接近零時不穩定。
- SMAPE（Symmetric MAPE）：MAPE 的對稱版本，緩解零值問題。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 時間序列預測 | 台灣正式用語 |
| 时间序列预测、时间序列预测法 | 簡體寫法 |
| Time Series Forecasting | 英文原名 |
| 時序預測、需求預測（demand forecasting） | 常見變體，後者是應用場景的說法 |
幾個必須先講清楚的設定
預測期距（forecast horizon）：要預測未來幾期。預測明天與預測未來 90 天是完全不同難度的問題，模型與評估方式都不一樣。
單步與多步：一次只預測下一期，還是一次輸出整段未來。多步預測有兩種做法，遞迴式（把預測值當成下一步的輸入）會累積誤差，直接式（每個期距各訓一個模型）較準但成本高。
單變量與多變量：只用這條序列自己的歷史，還是同時用其他相關序列與外生變數（天氣、假日、促銷、價格）。實務上外生變數往往比模型架構更能提升準確度。
方法選擇
| 方法 | 適合 |
|---|---|
| 樸素法、季節性樸素法 | 一定要先做，當作基準線 |
| 指數平滑（ETS）、Holt-Winters | 單一序列、有趨勢與季節性、要求可解釋 |
| ARIMA / SARIMAX | 有明確自相關結構，可加外生變數 |
| 梯度提升樹加滯後特徵 | 序列多、外生變數多，實務上非常強的預設選擇 |
| 深度學習（N-BEATS、TFT、Transformer 類） | 序列數量以千計、有跨序列共通模式 |
一定要有基準線。 最簡單的基準是「下一期等於這一期」，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線的情況比想像中常見，沒有基準線就不會發現自己在浪費時間。
評估的兩個陷阱
切分方式。必須用滾動式驗證：拿前面訓練、預測後面，往後滾動重複。隨機切分等於用未來預測過去，離線分數會漂亮到不真實。
指標選擇。MAPE（平均絕對百分比誤差）最常被使用也最常被誤用：實際值接近 0 時它會爆炸，而且對低估與高估的懲罰不對稱。序列裡有 0 或極小值時改用 MAE、RMSE 或 MASE（以樸素法為基準的相對誤差）。
還要想清楚誤差的商業意義。庫存預測裡少估與多估的代價完全不同，少估是缺貨損失營收，多估是庫存積壓，這種情況該用不對稱的損失函數或分位數預測，而不是最小化對稱的誤差。
常見問題
ARIMA 和 Prophet 應該怎麼選？
ARIMA 是嚴格的統計模型，要求序列平穩，需要手動調校 p、d、q 參數（可用 auto-ARIMA 自動搜尋），對於線性趨勢、無複雜季節性的中短序列表現良好；缺點是對異常值敏感，處理多重季節性（如每日+每週+每年）較麻煩。Prophet 由 Facebook 開發，設計目標是讓非統計背景的業務人員也能使用：自動處理趨勢、多重季節性和節假日效應，能較好地處理缺失值和異常值，參數可解釋性高，適合業務指標（如電商銷售額、網站流量）的自動化預測。若需要可解釋的傳統統計分析或序列很短，選 ARIMA；若是業務場景、資料有明顯季節性或需要快速上手，選 Prophet。
時序資料能用普通的 K-Fold 交叉驗證嗎？
不能。普通 K-Fold 交叉驗證會隨機打亂資料，把未來的資料放進訓練集、過去的資料放進驗證集，造成嚴重的資料洩漏（Data Leakage）：等於用「未來資訊」預測「過去」，評估結果極度樂觀，與實際部署時的性能相差甚遠。時序資料必須使用時序感知的評估方式：最簡單的是按時間順序切分（前 N% 訓練、後 (1-N)% 測試）；更嚴謹的是時序滾動交叉驗證（Time Series Split 或 Walk-Forward Validation），即多次擴大訓練窗口向前滾動，每次只在對應的未來時段上驗證，確保驗證集始終在訓練集之後，模擬真實的線上預測場景。
深度學習模型（如 LSTM）在時序預測上一定比 ARIMA 或 LightGBM 好嗎？
不一定。在時序預測領域，模型的選擇取決於資料量、序列複雜度和任務需求。若資料量少（如只有幾百個時步），深度學習模型容易過擬合，ARIMA 等傳統統計方法反而更穩健。若序列具有明顯的線性趨勢和固定季節性，ARIMA 族方法通常已足夠。LightGBM 加上精心設計的滯後特徵（Lag Features）和滾動統計特徵（Rolling Statistics），在 Kaggle 等競賽中常勝過 LSTM，且速度更快、調參更容易。LSTM 在序列非常長、具有複雜非線性模式、或需要同時處理多元序列時有優勢。建議先試傳統方法建立基線，再嘗試機器學習或深度學習方法，以實際驗證集性能決定。