一、什麼是時間序列
1、定義
按照時間的順序把一個隨機事件變化發展的過程記錄下來 就構成了一個時間序列。
對時間序列進行觀察、研究，找尋它變化發展的規律，預 測它將來的走勢就是時間序列分析。
2、栗子
7000年前，古埃及人把尼羅河漲落的情況逐天記錄下來， 就構成所謂的時間序列。
對這個時間序列長期的觀察使他們發現尼羅河的漲落非常 有規律。當天狼星第一次和太陽同時升起的那一天之後， 再過兩百天左右，尼羅河就開始氾濫，氾濫期將持續七、 八十天，洪水過後，土地肥沃，隨意播種就會有豐厚的收成。
由於掌握了尼羅河氾濫的規律，使得古埃及的農業迅速發 展，解放出大批的勞動力去從事非農業生產，從而創建了 埃及燦爛的史前文明。
3、時間序列分析的方法：
-
描述性時序分析：通過直觀的數據比 較或繪圖觀測，尋找序列中蘊含的發展規律。
-
統計時序分析：利用數理統計學 的基本原理，分析序列值內在的相關關係。
二、時序分析的相關概念
時序分析的目標：
1）發現這種隱含的依賴關係，並增加我們對此類時間序列的理解；
2）對未觀測到的或者尚未發生的時間序列進行預測。
平穩序列：基本上不存在趨勢的序列。各觀察值基本上在某個固定的水平上波動，雖然在不同的時間段波動的程度不同，單並
不存在某種規律，波動可以看成是隨機的。
非平穩序列：包含趨勢、季節性或週期性的序列，它可能只包含其中一種成分，也可能包含幾種成分，非平穩序列又分爲有趨
勢的序列、有趨勢和季節性的序列、幾種成分混合而成的複合型序列。
趨勢：是時間序列在長期內呈現出來的某種持續上升或持續下降的波動，也稱爲長期趨勢。時間序列可是是線性的，也可以是
非線性的。
季節性也稱季節變動，它是時間序列在一年內重複出現的週期性波動。
週期性：時間序列呈現出來的圍繞長期趨勢的一種波浪形或震盪式變動。
隨機性：時間序列中除去趨勢、週期性和季節性之後的偶然性波動。
時間序列的成分：趨勢T 、季節性或季節變動S、週期性或循環波動C、隨機性或不規則波動I ，分解以乘法模型。
三、時間序列分析預測法主要分類
時間序列預測法可用於短期預測、中期預測和長期預測。根據對資料分析方法的不同，又可分爲：簡單序時平均數法、加權序時平均數法、移動平均法、加權移動平均法、趨勢預測法、指數平滑法、季節性趨勢預測法、市場壽命週期預測法等。
簡單序時平均數法 也稱算術平均法。即把若干歷史時期的統計數值作爲觀察值，求出算術平均數作爲下期預測值。這種方法基於下列假設：“過去這樣，今後也將這樣”，把近期和遠期數據等同化和平均化，因此只能適用於事物變化不大的趨勢預測。如果事物呈現某種上升或下降的趨勢，就不宜採用此法。
加權序時平均數法 就是把各個時期的歷史數據按近期和遠期影響程度進行加權，求出平均值，作爲下期預測值。
簡單移動平均法 就是相繼移動計算若干時期的算術平均數作爲下期預測值。
加權移動平均法 即將簡單移動平均數進行加權計算。在確定權數時，近期觀察值的權數應該大些，遠期觀察值的權數應該小些。
上述幾種方法雖然簡便，能迅速求出預測值，但由於沒有考慮整個社會經濟發展的新動向和其他因素的影響，所以準確性較差。應根據新的情況，對預測結果作必要的修正。
指數平滑法 即根據歷史資料的上期實際數和預測值，用指數加權的辦法進行預測。此法實質是由內加權移動平均法演變而來的一種方法，優點是只要有上期實際數和上期預測值，就可計算下期的預測值，這樣可以節省很多數據和處理數據的時間，減少數據的存儲量，方法簡便。是國外廣泛使用的一種短期預測方法。
季節趨勢預測法 根據經濟事物每年重複出現的週期性季節變動指數，預測其季節性變動趨勢。推算季節性指數可採用不同的方法，常用的方法有季(月)別平均法和移動平均法兩種：a．季(月)別平均法。就是把各年度的數值分季(或月)加以平均，除以各年季(或月)的總平均數，得出各季(月)指數。這種方法可以用來分析生產、銷售、原材料儲備、預計資金週轉需要量等方面的經濟事物的季節性變動；b．移動平均法。即應用移動平均數計算比例求典型季節指數。
市場壽命週期預測法 就是對產品市場壽命週期的分析研究。例如對處於成長期的產品預測其銷售量，最常用的一種方法就是根據統計資料，按時間序列畫成曲線圖，再將曲線外延，即得到未來銷售發展趨勢。最簡單的外延方法是直線外延法，適用於對耐用消費品的預測。這種方法簡單、直觀、易於掌握。
四、時間序列分析的主要步驟
- 第一步:考察觀察值序列的特徵
- 第二步:根據序列的特徵選擇適當的擬合模型
- 第三步:根據序列的觀察數據確定模型的口徑
- 第四步:檢驗模型，優化模型
- 第五步:利用擬合好的模型來推斷序列其它的統計性質或預測序列將來的發展
五、應用
使用python進行時間序列預測的7種方法： https://www.codercto.com/a/35980.html
python時間日期函數與利用pandas進行時間序列處理詳解： https://www.codercto.com/a/14470.html
使用ARIMA進行時間序列預測（Python）： https://www.codercto.com/a/37851.html