第一章：什么是时间序列？你的生活里藏着预测密码 / Chapter 1: What is Time Series? Prediction Secrets Hidden in Your Daily Life

上周五放学铃响的时候，你攥着刚发下来的数学测验卷子站在教室门口，82分的红色分数旁边，老师用红笔写了个“进步明显”的评语。你低头翻出手机里存着的过去四次数学成绩：68、75、79、82，指尖无意识地在屏幕上划着：如果下次考试还是这个涨分速度，期末考到90分有没有可能？同班玩《王者荣耀》的阿凯凑过来，给你看他最近五个赛季的段位图：青铜Ⅲ→青铜Ⅱ→青铜Ⅰ→白银Ⅳ→白银Ⅲ，他挠着头问：“照这个速度，我暑假结束前能不能上王者？”校门口奶茶店的老板娘你认识，上周去买杨枝甘露的时候她随口说“最近天热，销量比上个月涨了快三成”，你想起上周每天去买奶茶的时候，她记账本上的数字：周一到周五每天平均卖700杯，周末能到1200杯，昨天刚算的这周前四天卖了3200杯，你忍不住想：“她下周能卖多少杯？会不会进更多芒果？”

你随手划出的成绩、阿凯的段位变化、奶茶店老板的销量记录，本质上都是时间序列（Time Series）——按时间顺序记录的一系列数据点，每一个点都对应一个特定时间点的观测值。和静态的“身高体重记录”“图书编号”不同，时间序列的核心特征是“时间”是数据不可分割的一部分：你的数学成绩是“第x次考试”的分数，奶茶销量是“第x天/周”的卖出的杯数，段位是“第x个赛季”的最高段位，时间顺序一旦打乱，这些数据就失去了所有的预测意义。

> 纸书排版注：本章引言采用缩进格式，适配印刷阅读需求，重点术语首次出现时标注中英对照，方便双语学习。

---

<!-- 标签：时间序列，定义，入门 -->

1.1 时间序列的核心定义：为什么“时间”是关键？/ 1.1 Core Definition of Time Series: Why Is "Time" the Key?

如果把普通数据比作一本没有页码的图书，时间序列就是每一页都标着出版日期的图书——你不仅要知道某一页写了什么，还要知道它出现在什么时间，才能理解前后的逻辑。从数学层面定义，时间序列是一组随机变量$\{X_t, t \in T\}$的集合，其中$t$代表时间点，$T$是时间索引集合（可以是等间隔的，比如每天、每周，也可以是不等间隔的，比如每次考试的间隔）。

举个最直观的例子：你过去10天的睡眠时长数据，如果只列数字：7.2、6.8、7.5、8.0、6.5、7.0、7.8、8.2、7.0、6.5，这就是一组普通数据；但如果给每个数字加上时间标签：“10月1日7.2小时、10月2日6.8小时……10月10日6.5小时”，它就变成了时间序列。你很容易就能发现：最近3天的睡眠时长比月初少了1小时左右，如果你继续熬夜，下周的睡眠时长可能还会更低——这就是时间序列的价值：用过去的时间规律，推测未来的可能走向。

时间序列和我们平时接触的“分类数据”“回归数据”最大的区别，就是数据点之间存在时间依赖关系：你今天的睡眠时长，大概率会和昨天的接近，不会突然跳到10小时（除非你昨天通宵了）；你这次数学考试的成绩，大概率会和上次的接近，不会突然从80分跳到130分（除非你抄了答案）。这种时间上的依赖性，是时间序列预测的核心基础，也是它和普通机器学习任务最大的不同。

【💡 电子版侧边栏】 你可以现在就掏出手机，打开备忘录，记录你接下来7天每天的睡眠时长，7天后你就拥有了一组属于自己的时间序列数据，可以试着用本章教的方法做第一次预测。

---

<!-- 标签：时间序列，基本特征，趋势 -->

1.2 时间序列的四大核心特征：藏在数据里的规律密码 / 1.2 Four Core Characteristics of Time Series:规律密码 Hidden in Data

几乎所有的时间序列，都可以拆解成四个核心特征的叠加：趋势性（Trend）、季节性（Seasonality）、周期性（Cyclicity）、随机噪声（Irregular Noise）。搞清楚这四个特征，你就搞懂了时间序列预测90%的核心逻辑。

1.2.1 趋势性（Trend）：长期的涨跌方向

趋势性是时间序列最明显的特征，指数据在长时间内呈现的持续上升、持续下降或平稳的走向。比如你从初一到现在初三的数学成绩，如果每次考试都比上次高2-3分，整体呈现明显的上升趋势（Uptrend）；如果你最近沉迷游戏，每次考试的排名都比上次低10名，就是下降趋势（Downtrend）；如果你每次考试的成绩都在70-80分之间波动，没有明显的涨跌，就是平稳趋势（Flat Trend）。

我们可以用你过去8次数学考试的成绩举个直观的例子： | 考试次数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |----------|---|---|---|---|---|---|---|---| | 数学成绩 | 72 | 75 | 78 | 76 | 81 | 83 | 80 | 85 |

把这组数据画成折线图，你会非常直观地看到整体向上的趋势，中间第4次、第7次的成绩下降，是短期波动，不影响整体的上升方向。从数学层面描述趋势，我们可以用简单的线性回归拟合：假设成绩和时间的关系是$Y_t = a \cdot t + b$，其中$Y_t$是第$t$次考试的成绩，$a$是涨分速率，$b$是初始成绩。通过拟合这组数据，我们可以得到$a \approx 1.75$，$b \approx 70.5$，也就是平均每次考试涨1.75分，初始成绩大概是70.5分，完全符合你每次涨2-3分的直观感受。

```mermaid graph TD A[数学成绩时间序列] --> B[整体上升趋势] A --> C[短期波动（噪声）] B --> D[平均每次涨1.75分] C --> E[第4次、第7次成绩下降] ```

1.2.2 季节性（Seasonality）：固定周期的规律波动

季节性是指时间序列在固定时间间隔内呈现的重复性波动，这里的“季节”不一定指春夏秋冬，也可以是“每周的周一到周日”“每天的早中晚”“学期的期中期末”。比如奶茶店的销量：夏天比冬天高30%以上，周末比工作日高70%，这就是典型的周度、年度季节性；你每周的零花钱：周五会比周一到周四多20-50块，因为周末要出去玩，这就是周度季节性；你每次考试的排名：期中期末的排名会比平时月考低5-10名，因为题目更难，竞争对手更多，这就是学期季节性。

还是用奶茶店的例子，我们把它过去4周的日销量拆解成周度季节性： | 星期 | 一 | 二 | 三 | 四 | 五 | 六 | 日 | |------|----|----|----|----|----|----|----| | 平均日销量（杯） | 680 | 710 | 690 | 720 | 750 | 1250 | 1180 |

你会发现，周一到周五的销量都在700左右波动，周末直接涨到1200以上，波动幅度超过70%，而且每周都重复这个规律，这就是非常典型的周度季节性。季节性波动的大小可以用季节性指数来衡量：如果某段时间的平均销量是整体平均销量的1.2倍，那它的季节性指数就是1.2，说明这段时间的销量比平均高20%。

1.2.3 周期性（Cyclicity）：无固定周期的长波波动

周期性和季节性非常容易混淆，核心区别是：季节性有固定的波动周期，周期性没有。季节性的周期是已知的，比如一年、一周、一天，而周期性的周期长度不固定，可能3年一次，可能8年一次，比如经济周期：经济繁荣、衰退、萧条、复苏的周期长度通常在3-10年之间，没有固定的规律；再比如你打游戏的状态：可能这周手感好，胜率80%，下周状态差，胜率40%，再下周又回到60%，这种波动没有固定的周期，就是周期性波动。

周期性和趋势性的区别也很明显：趋势性是长期的单向涨跌，而周期性是在趋势之上的上下波动。比如你从青铜上到王者的整体趋势是上升的，但过程中可能这周连胜10把，下周连跪8把，这种上下波动就是周期性，不影响整体的上升趋势。

1.2.4 随机噪声（Irregular Noise）：无法预测的突发波动

不管你怎么拆解趋势、季节性、周期性，时间序列里总会有一些无法解释的随机波动，这就是随机噪声，也叫不规则波动。噪声的来源非常随机：比如你本来能考90分的数学考试，结果当天发烧了，只考了70分；比如奶茶店旁边突然开了个新的便利店，抢了部分生意，这周销量比预期少了200杯；比如你打游戏的时候突然网卡了，输了一把本来能赢的排位赛。

噪声是时间序列里最麻烦的部分，因为它没有规律，无法预测。我们的所有预测工作，本质上都是在尽量提取趋势、季节性、周期性的规律，同时尽可能过滤掉噪声的影响。比如你某次考试发烧考砸了，这个70分的成绩就是噪声，我们在分析你的成绩趋势的时候，会把它当成异常值处理，不会把它算进正常的涨分规律里。

```mermaid graph TD A[时间序列原始数据] --> B[趋势性 Trend] A --> C[季节性 Seasonality] A --> D[周期性 Cyclicity] A --> E[随机噪声 Irregular Noise] B --> F[长期上升/下降/平稳的单向走向<br/>例：成绩持续上涨、销量持续增长] C --> G[固定周期的重复波动<br/>例：周末销量高、寒暑假段位涨得快] D --> H[无固定周期的长波波动<br/>例：游戏状态起伏、经济周期]

E 是随机噪声项，代表无法解释的随机波动，通常符合均值为0的正态分布$\epsilon_t \sim N(0, \sigma^2)$，也就是大部分时候噪声会在0附近小幅度波动，很少出现极端异常值。比如你平时数学成绩稳定在75-85分，某次因为发烧只考了62分，这个62分就是典型的噪声，它不符合你平时的成绩规律，是突发因素导致的。

我们可以用你过去一个月的睡眠时长数据，直观拆解四个特征的叠加效应：

• 趋势项$T_t$：你最近因为准备期中考试，整体睡眠时长从月初的7.2小时降到月末的6.5小时，呈现稳定的下降趋势；
• 季节项$S_t$：每周五、周六你会多睡1小时补觉，周度重复的规律就是季节性；
• 周期项$C_t$：期中考试前一周你熬夜复习，睡眠时长比平时少1.5小时，这种没有固定周期的临时波动属于周期性；
• 噪声项$\epsilon_t$：某天你喝了奶茶失眠，多睡了2小时，属于无法预测的随机噪声。

这四个部分相加，就是你实际记录的睡眠时长数据，这也解释了为什么我们平时看到的时间序列看起来杂乱无章，拆解成四个特征后，规律就会一目了然。为了更清晰地展示四个特征的分解逻辑，我们可以用下面的流程图表示：

```mermaid graph TD A[原始时间序列数据<br/>(如：过去30天睡眠时长)] --> B[趋势性提取：移动平均/线性拟合] A --> C[季节性提取：季节指数分解] A --> D[周期性提取：谱分析/滤波] A --> E[噪声提取：残差计算] B --> F[趋势项 T_t<br/>(整体睡眠时长下降趋势)] C --> G[季节项 S_t<br/>(周末多睡1小时的周度规律)] D --> H[周期项 C_t<br/>(期中前少睡1.5小时的临时波动)] E --> I[噪声项 ε_t<br/>(喝奶茶失眠多睡2小时的突发波动)] F --> J[四个特征叠加得到预测值] G --> J H --> J I --> J ```

> 纸书排版注：上述流程图在印刷版中以双色印刷呈现，不同特征的模块用不同颜色标注，方便读者理解分解逻辑；电子版中点击流程图节点可以跳转到对应章节的详细讲解。

理解了四大特征的叠加逻辑后，我们就可以根据时间序列的统计特性，对其进行核心分类，这也是我们选择预测方法的最重要依据。

---

<!-- 标签：时间序列，平稳性，分类 -->

1.3 时间序列的两大核心分类：你遇到的预测题属于哪一类？/ 1.3 Two Core Classifications of Time Series: Which Category Does Your Prediction Problem Belong To?

根据统计特性的不同，时间序列可以分为平稳时间序列（Stationary Time Series）和非平稳时间序列（Non-stationary Time Series）；根据参考数据的数量，又可以分为单变量时间序列（Univariate Time Series）和多变量时间序列（Multivariate Time Series）。搞清楚自己手里的序列属于哪一类，是选择预测方法的第一步。

1.3.1 平稳 vs 非平稳：规律会不会随时间变？/ 1.3.1 Stationary vs. Non-stationary: Does the Law Change With Time?

从通俗角度理解，平稳时间序列就是“规律很稳定，不会随时间变化”的序列：它的均值（平均值）、方差（波动幅度）、自相关性（当前数值和过去数值的关联程度）在任意时间段内都基本一致。比如你每天早上固定买一杯3块钱的豆浆，过去半年的消费记录都是3元，均值是3，方差是0，没有任何波动，这就是最典型的严平稳（Strictly Stationary）序列，它的统计特性完全不随时间变化。

现实中更常见的是弱平稳（Weakly Stationary）序列：只要均值和方差不随时间变化，就可以认为是弱平稳。比如你过去一个月的睡眠时长，均值是7小时，方差是0.5小时，折线图在7小时上下随机波动，没有明显的上升或下降趋势，也没有周末多睡的固定规律，这就是弱平稳序列。平稳序列的最大优势是规律稳定，预测难度低，哪怕用很简单的方法也能得到不错的效果。

和平稳序列相反，非平稳序列的统计特性会随时间明显变化：均值上升/下降、波动幅度变大/变小、或者有固定的季节性规律。你过去8次的数学成绩就是典型的非平稳序列：均值从第一次的72分上升到第八次的85分，整体呈现明显的上升趋势，均值随时间持续变化，所以是非平稳的。奶茶店的销量也是非平稳的：夏天比冬天高30%，周末比工作日高70%，均值和方差都会随季节、周度变化，属于有季节性的非平稳序列。

判断一个序列是不是平稳，不需要一开始就学复杂的统计检验（比如ADF检验），初学者可以用最直观的折线图法：把序列画成折线图，如果能看到明显的上升/下降趋势，或者固定周期的波动，或者波动幅度越来越大/小，就可以判断是非平稳序列。如果折线图在某个固定值上下随机波动，没有明显的趋势和季节性，就是平稳序列。

非平稳序列不能直接用于预测，需要先做平稳化处理，最常用的方法是差分（Differencing）：把当前时间点的数值减去前一个时间点的数值，得到增量序列，就可以去掉趋势的影响。比如你过去8次的数学成绩是[72,75,78,76,81,83,80,85]，做一阶差分后得到[3,3,-2,5,2,-3,5]，这组增量序列的均值是2左右，没有明显的趋势，就变成了平稳序列。如果序列有季节性，还可以做季节差分：比如周度季节性的序列，用当前数值减去上周同一天的数值，就能去掉季节性的影响。

对于波动幅度随时间变大的序列（比如奶茶店销量每个月涨10%，波动也越来越大），还可以用对数变换：对原始数据取对数，就能把指数增长的趋势变成线性增长，同时稳定波动幅度，让序列变成平稳的。我们可以用下面的代码示例，直观展示差分的过程，你可以直接复制到Python环境里运行：

```python import pandas as pd import matplotlib.pyplot as plt

1. 构造过去8次数学成绩的时间序列

scores = [72, 75, 78, 76, 81, 83, 80, 85] ts = pd.Series(scores, index=range(1, 9), name="数学成绩")

2. 一阶差分：当前成绩 - 上一次成绩

diff_ts = ts.diff().dropna() diff_ts.name = "成绩一阶差分（涨分数值）"

3. 画图对比

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4)) ts.plot(ax=ax1, title="原始成绩序列（非平稳）", marker="o", grid=True) diff_ts.plot(ax=ax2, title="一阶差分后序列（平稳）", marker="o", grid=True, color="orange") plt.tight_layout() plt.show()

4. 输出结果

print("原始成绩序列：") print(ts) print("\n一阶差分后的涨分数值：") print(diff_ts) ```

运行代码后你会看到：原始成绩序列的折线图明显向上倾斜，有明显的上升趋势；而差分后的序列在0上下波动，没有明显的趋势，已经变成了平稳序列。这就是差分处理的核心作用：把非平稳的原始序列，转换成平稳的增量序列，方便后续预测。

1.3.2 单变量 vs 多变量：预测需要多少参考数据？/ 1.3.2 Univariate vs. Multivariate: How Much Reference Data Do You Need for Prediction?

根据参与预测的变量数量，时间序列可以分为单变量和多变量两类，两者的核心区别是“预测用到的参考数据有多少”。

单变量时间序列是最简单的预测场景：预测时只用这一个序列自身的历史数据，不需要其他参考数据。比如你预测下次数学考试的分数，只用过去8次的数学成绩，就是单变量预测；奶茶店预测下周的销量，只用过去12周的销量数据，也是单变量预测。单变量方法的优势是简单、容易实现，不需要收集额外的数据，适合数据量少、没有明确影响因子的场景，缺点是准确率相对较低，因为它没有考虑其他可能影响结果的因素。

多变量时间序列则是用多个和预测目标相关的序列作为参考。比如你预测下次数学考试的分数，同时参考过去一周的睡眠时长、每天玩游戏的时间、作业完成率这几个和成绩相关的序列，就是多变量预测；奶茶店预测下周的销量，同时参考未来一周的温度、是否节假日、周边是否有活动、原材料库存，也是多变量预测。多变量方法的优势是准确率更高，因为它考虑了更多影响目标的因素，缺点是复杂度更高，需要处理多个变量之间的相关性，适合数据充足、能明确找到影响因子的场景。

我们可以用下面的对比表格，清晰展示两类序列的区别：

| 对比维度 | 单变量时间序列 | 多变量时间序列 | |----------|-----