时间序列预测导论 / Introduction to Time Series Forecasting

时间序列（Time Series）是指按时间顺序排列的一系列观测值的数据集合，其核心在于观测值之间的时间依赖性——当前值往往与过去值存在关联。这种关联性构成了时间序列预测（Time Series Forecasting）的理论基石：通过分析历史数据中的模式，推断未来的发展趋势。与横截面数据（Cross-sectional Data）不同，时间序列数据天然具有时间维度，这使得预测任务不仅要考虑变量间的相关性，还需处理时间顺序带来的自相关（Autocorrelation）、趋势（Trend）、季节性（Seasonality）等独特结构。

1.1 时间序列的核心特征

时间序列通常由几种可分解的组件构成，理解这些组件是构建有效预测模型的前提。

1.1.1 趋势（Trend）

趋势指数据在长期内表现出的持续向上或向下的运动方向，它反映了序列的长期演变路径。趋势可以是线性的（Linear），如 GDP 的逐年增长；也可以是非线性的（Non-linear），如技术 adoption 曲线（S型曲线）。数学上，趋势项 $T_t$ 可表示为时间 $t$ 的函数，例如：

• 线性趋势：$T_t = a + bt$
• 指数趋势：$T_t = a \cdot e^{bt}$

案例：全球二氧化碳浓度 自工业革命以来，大气中 CO₂ 浓度呈现明显的上升趋势。美国国家海洋和大气管理局（NOAA）的数据显示，1958 年 Mauna Loa 观测站记录的年均浓度约为 315 ppm，至 2023 年已超过 420 ppm。这种长期上升趋势主要源于化石燃料燃烧和土地利用变化，是气候变化预测中的关键驱动因素。在预测未来 CO₂ 水平时，必须准确估计趋势项的斜率，否则将严重低估长期风险。

1.1.2 季节性（Seasonality）

季节性指数据在固定周期内（如一年、一月、一周）重复出现的规律性波动。其周期通常是已知且固定的（例如，零售销售在每年圣诞节期间激增）。季节性成分 $S_t$ 满足 $S_{t+P} = S_t$，其中 $P$ 为季节周期长度。

案例：美国零售销售额 美国人口普查局（U.S. Census Bureau）的零售贸易数据显示，每年第四季度（假日购物季）销售额显著高于其他季度，而第二季度相对平淡。这种季节性模式稳定且可预测，零售商据此制定库存、营销和人员配置计划。若忽略季节性，预测模型将无法捕捉假日高峰，导致库存短缺或过剩。

1.1.3 周期性（Cyclicity）

周期性指数据在非固定周期内（通常大于一年）出现的波动，其周期长度不固定且振幅可变。与季节性不同，周期性通常与经济周期、商业周期等宏观波动相关，周期长度可能从数年甚至数十年不等。周期成分 $C_t$ 没有固定周期 $P$，其波动更多受外部冲击（如金融危机、技术革命）驱动。

案例：美国失业率 美国劳工统计局的失业率数据呈现明显的周期性波动。例如，2008 年金融危机期间失业率从 5% 飙升至 10%，随后在复苏期缓慢下降；2020 年新冠疫情导致失业率在两个月内从 3.5% 跃升至 14.7%，之后逐步恢复。这些周期波动长度不一（2008 年周期约 5 年，2020 年周期约 2 年），且每次波动的幅度和形状各异，使得周期性预测极具挑战性。

1.1.4 随机性（Irregularity / Noise）

随机性指由随机冲击、测量误差或无法解释的微小波动构成的残差成分 $I_t$。理想情况下，模型应尽可能捕捉趋势、季节性和周期性，使残差接近白噪声（White Noise），即均值为零、方差恒定且无自相关的随机序列。然而，现实中噪声往往存在异方差（Heteroscedasticity）或长期记忆（Long Memory），增加建模难度。

案例：高频金融数据 股票价格在分钟或秒级尺度上呈现剧烈随机波动。即使剔除趋势和季节性（如日内模式），剩余噪声仍表现出波动聚集（Volatility Clustering）——大波动后常跟随大波动，小波动后常跟随小波动。这种异方差性使得点预测（Point Forecast）的置信区间难以准确估计，需要专门模型（如 GARCH 族）处理。

```mermaid graph TD A[原始时间序列 Y_t] --> B[加法模型<br>Y_t = T_t + S_t + C_t + I_t] A --> C[乘法模型<br>Y_t = T_t × S_t × C_t × I_t] B --> D[趋势分量 T_t] B --> E[季节分量 S_t] B --> F[周期分量 C_t] B --> G[随机残差 I_t] C --> D C --> E C --> F C --> G ```

> 侧边栏：加法模型 vs. 乘法模型 > > 时间序列分解可采用加法或乘法形式。加法模型假设各分量线性叠加，适用于季节性波动幅度不随趋势变化的序列（如月度平均温度）。乘法模型假设各分量相乘，适用于季节性波动幅度随趋势增大的序列（如零售销售额：趋势越高，季节性波动绝对值越大）。实际应用中需通过可视化或统计检验（如 STL 分解）选择合适形式。

1.2 预测任务的基本分类

根据输出形式的不同，预测任务可分为三大类，其复杂度和应用场景各异。

1.2.1 点预测（Point Forecasting）

点预测输出单一数值作为未来某个时间点的预测值，是最常见的形式。其目标是最小化预测误差，常用损失函数包括：

• **均方误差（MSE）**：$MSE = \frac{1}{n}\sum_{t=1}^{n}(y_t - \hat{y}_t)^2$，对大误差惩罚更重。
• **平均绝对误差（MAE）**：$MAE = \frac{1}{n}\sum_{t=1}^{n}|y_t - \hat{y}_t|$，对异常值更鲁棒。
• **对称平均绝对百分比误差（sMAPE）**：$sMAPE = \frac{200\%}{n}\sum_{t=1}^{n}\frac{|y_t - \hat{y}_t|}{|y_t| + |\hat{y}_t|}$，相对误差度量。

点预测简单直观，但无法提供预测的不确定性信息，在风险敏感场景（如金融、医疗）中可能不足。

1.2.2 区间预测（Interval Forecasting）

区间预测输出一个区间（如 95% 置信区间），表示未来值以一定概率落入该范围。区间宽度反映预测的不确定性：越宽的区间表示越不确定。区间预测通常基于预测误差的分布假设（如正态分布）或分位数回归（Quantile Regression）构建。

案例：电力负荷预测 电网运营商需要预测未来 24 小时的电力需求。点预测给出每小时的预计负荷（如 15,000 MW），但为应对突发情况（如极端天气、机组故障），还需 95% 置信区间（如 [13,500 MW, 16,500 MW]）。若区间过窄，可能低估风险导致供电不足；若过宽，则可能导致备用容量过剩，增加成本。区间预测帮助运营商在可靠性与经济性间权衡。

1.2.3 概率预测（Probabilistic Forecasting）

概率预测输出完整的概率分布（而非单点或区间），描述未来值所有可能取值的概率。这是最丰富的信息形式，支持最优决策（如最小化期望损失）。概率预测可通过以下方式实现：

• **参数化方法**：假设分布形式（如正态分布、伽马分布），预测分布参数（均值、方差）。
• **非参数化方法**：直接估计概率密度函数，如核密度估计（KDE）或分位数回归森林。
• **模拟方法**：通过蒙特卡洛模拟生成未来路径的样本集，如贝叶斯模型或深度学习中的 Dropout 推断。

案例：可再生能源出力预测 风电和光伏发电受天气影响大，具有高波动性。电网调度需 probabilistic forecast 以优化储能调度和市场竞价。例如，预测次日 24 小时的风电出力分布，可计算任意发电水平的概率，进而确定需要多少备用燃气机组，最小化总成本。研究显示，使用概率预测可比点预测降低 5-15% 的系统运行成本。

```mermaid graph LR A[预测任务类型] --> B[点预测<br>单一数值] A --> C[区间预测<br>置信区间] A --> D[概率预测<br>完整分布] B --> E[优点：简单、直接<br>缺点：无不确定性] C --> F[优点：量化不确定性<br>缺点：仅提供边界] D --> G[优点：信息最丰富<br>支持最优决策<br>缺点：计算复杂] ```

1.3 多领域应用案例

时间序列预测在众多领域扮演关键角色，其重要性随数据可得性和计算能力提升而日益凸显。

1.3.1 金融领域：股价与风险预测

金融时间序列具有高噪声、非平稳、波动聚集等特点。预测任务包括：

• **资产价格预测**：基于历史价格、交易量、宏观指标预测股票、外汇、加密货币的未来价格。尽管有效市场假说（EMH）认为价格已反映所有信息，但短期可预测性仍存在（如动量效应、反转效应）。
• **风险价值（VaR）预测**：估计资产组合在给定置信水平下的最大潜在损失。VaR 本质是分位数预测（如 5% 分位数），需准确建模尾部风险。2008 年金融危机暴露了基于正态分布假设的 VaR 模型缺陷，促使更复杂的概率模型（如极值理论、随机波动率模型）发展。

数据与挑战：高频 tick 数据量巨大（单只股票日交易量可达百万条），需高效算法。市场微观结构噪声（如买卖价差、订单流不平衡）使信号提取困难。此外，预测模型需在线更新以适应 regime switching（市场状态切换）。

1.3.2 气象领域：温度与灾害预测

气象预测是典型的时间序列问题，但空间维度（多站点）和物理约束（流体力学方程）使其成为时空预测（Spatio-Temporal Forecasting）。

• **短期气温预测**：基于历史温度、湿度、气压等预测未来数小时至数天的温度。传统数值天气预报（NWP）模型计算成本高，统计模型（如时间序列回归）可作为补充或替代。
• **极端天气预警**：预测台风路径、暴雨强度、热浪持续时间。这类预测侧重尾部事件，需概率框架（如集合预报）量化不确定性。例如，欧洲中期天气预报中心（ECMWF）发布 50 个集合成员，形成概率台风路径图，指导防灾决策。

数据与挑战：气象数据时空分辨率高（全球网格可达 10km×10km，时间分辨率 1 小时），数据量达 PB 级。数据缺失（如站点故障）常见，需插补。物理过程复杂，非线性强，传统统计模型可能无法捕捉全部动态，需结合物理约束的机器学习模型（如 FourCastNet）。

1.3.3 能源领域：电力负荷与可再生能源出力

能源系统需精确预测以平衡供需，确保电网稳定。

• **电力负荷预测**：按时间尺度分：
• 超短期（分钟级）：用于实时调度，受天气、突发事件影响大。
• 短期（小时至周）：用于日前市场竞价，受工作日、天气、事件驱动。
• 中长期（月至年）：用于燃料采购、设备维护计划，受经济、政策影响。

典型特征：强日周期性（日内负荷曲线相似）、周周期性（工作日 vs. 周末）、年趋势（经济增长、能效提升）。

• **可再生能源出力预测**：风电、光伏出力依赖天气，具有间歇性和波动性。预测需融合数值天气预报（NWP）输出，并处理 NWP 的系统误差。概率预测尤为重要，因可再生能源不确定性是电网灵活性的主要挑战。

数据与挑战：数据来源多样（智能电表、SCADA 系统、NWP 模型），需对齐时空粒度。数据质量参差不齐（如智能电表通信故障导致缺失）。政策变化（如补贴退坡）可能改变长期趋势，需在模型中纳入外生变量。

1.3.4 零售领域：需求与销售预测

零售预测直接影响库存管理、定价策略和供应链效率。

• **单品需求预测**：预测单个 SKU（库存单位）的未来销量。特征包括历史销量、促销信息、价格、节假日、竞争对手活动等。需求常呈稀疏性（许多商品销量为零）和事件驱动性（促销导致销量尖峰）。
• **门店销售额预测**：聚合多单品，受门店位置、周边事件、天气等影响。
• **供应链预测**：预测上游原材料需求，需考虑需求预测的向上游传递（bullwhip effect）。

数据与挑战：数据维度高（成千上万 SKU，数百门店），需层次预测（Hierarchical Forecasting）保证一致性（如总销售额 = 各品类销售额之和）。促销和事件难以量化，需特殊处理（如指示变量、事件影响模型）。新品冷启动问题（无历史数据）需借助相似产品或元学习。

```mermaid graph TD subgraph 金融 A1[股价预测] --> A1a[技术指标<br>移动平均、RSI] A1 --> A1b[基本面指标<br>财报、宏观] A2[VaR预测] --> A2a[波动率模型<br>GARCH] A2 --> A2b[极值理论] end subgraph 气象 B1[气温预测] --> B1a[NWP模型] B1 --> B1b[统计校正] B2[灾害预警] --> B2a[集合预报] B2 --> B2b[概率阈值] end subgraph 能源 C1[负荷预测] --> C1a[日/周周期性] C1 --> C1b[天气敏感度] C2[可再生能源] --> C2a[NWP融合] C2 --> C2b[概率场景] end subgraph 零售 D1[单品需求] --> D1a[历史销量] D1 --> D1b[促销影响] D2[层次预测] --> D2a[自上而下/自下而上] D2 --> D2b[协调优化] end ```

1.4 预测工作流详解

一个完整的预测项目遵循迭代式工作流，而非线性流水线。以下是标准六步流程：

1.4.1 问题定义（Problem Definition）

明确预测目标、范围和约束：

• **预测目标**：预测什么变量？（如销量、温度、股价）
• **预测范围**：时间粒度（小时、日、月）和预测 horizon（未来多少步？短期、中期、长期？）
• **预测频率**：多久更新一次预测？（实时、每日、每周）
• **评估标准**：业务目标决定损失函数（如库存成本最小化对应 MAE，缺货损失大则侧重高预测值）。
• **约束**：计算资源、数据延迟、模型可解释性要求（如金融监管要求可解释风险模型）。

常见陷阱：目标与业务需求脱节。例如，预测下周销量但业务需每日补货决策，应改为每日预测。或使用 MSE 优化但业务更关心高估/低估的不对称成本，需定制损失函数。

1.4.2 数据收集（Data Collection）

识别并整合多源数据：

• **目标变量历史值**：核心时间序列。
• **外生变量（Exogenous Variables）**：影响目标但不受其反向影响的变量，如：
• 日历信息：节假日、周末、促销期。
• 天气数据：温度、降水、风速（对零售、能源、交通至关重要）。
• 经济指标：GDP、失业率、消费者信心指数。
• 竞争对手数据：市场份额、价格。
• **元数据**：序列标识（如门店 ID、产品 ID）、数据源、采集频率。

数据质量检查：记录缺失比例、异常值（如负销量）、时间戳对齐问题。建立数据字典，明确每个变量含义、单位、更新频率。

1.4.3 数据预处理（Data Preprocessing）

原始数据需清洗转换才能用于建模：

• **缺失值处理**：
• 删除：若缺失率低（<5%）且随机，可删除缺失行。
• 插补：前向填充（适合低频数据）、线性插值、基于相似序列的插补（如协同过滤）、模型预测插补（如 KNN、矩阵补全）。
• 标记：添加缺失指示变量，让模型知晓曾缺失。
• **异常值检测与处理**：
• 统计方法：基于标准差（如 |x - μ| > 3σ）或 IQR（四分位距）阈值。
• 业务规则：如销量不可能为负，或单日涨幅超过 100% 可能为数据错误。
• 处理：修正（若可追溯）、截断（Winsorization）、或保留但使用鲁棒损失（如 MAE）。
• **平稳化（Stationarization）**：
• 差分（Differencing）：$y_t' = y_t - y_{t-1}$ 消除趋势。
• 对数变换：稳定方差，尤其对乘法模型或指数增长序列。
• 季节性差分：$y_t' = y_t - y_{t-P}$ 消除季节性。
• **特征工程**：
• 滞后特征（Lags）：$y_{t-1}, y_{t-2}, \dots$ 是时间序列模型的核心输入。
• 滚动统计量：过去 N 期的均值、标准差、最大值、最小值。
• 时间特征：年、月、日、周几、是否节假日、一年中的第几天。
• 外生变量：直接使用或滞后/滚动处理。
• **重采样（Resampling）**：统一时间粒度（如将分钟数据聚合为小时数据），注意聚合方式（求和 vs. 平均）。
• **划分数据集**：严格按时间顺序划分训练集、验证集、测试集，**禁止随机划分**。典型比例如 70%/15%/15%，或滚动窗口验证（见评估部分）。

1.4.4 建模（Modeling）

选择、训练和调优模型：

• **模型选择**：基于数据特征（平稳性、季节性强度、样本量）和业务需求（精度、速度、可解释性）选择候选模型。本书后续章节将详细讨论从 ARIMA、指数平滑到 LSTM、Transformer 的演进。
• **训练**：使用训练集拟合模型参数。对深度学习模型，需定义网络结构、优化器、损失函数，并防止过拟合（正则化、早停）。
• **调优**：使用验证集选择超参数（如 ARIMA 的 (p,d,q) 阶数、神经网络的层数、学习率）。常用方法：
• 网格搜索（Grid Search）：穷举候选组合。
• 随机搜索（Random Search）：更高效。
• 贝叶斯优化（Bayesian Optimization）：基于代理模型引导搜索。
• 自动机器学习（AutoML）：如 AutoTS、Prophet 自动调参。
• **集成**：结合多个模型（如简单平均、加