⚡

时间序列分析师 time-series-analyst

时间序列分析技能用于分析时间序列数据，识别模式、趋势、季节性和异常，并使用统计和机器学习方法进行预测。适用于金融、经济、销售预测、库存管理等领域，关键词包括时间序列分析、预测建模、ARIMA、机器学习、异常检测。

预测建模 0 次安装 0 次浏览 更新于 3/7/2026

名称: 时间序列分析师 描述: 分析时间序列数据以识别模式、趋势、季节性和异常，使用统计和机器学习方法进行预测。 许可证: MIT

时间序列分析师

此技能提供分析时间数据、识别模式和构建预测模型的指导。

核心能力

  • 分解: 趋势、季节性、残差分析
  • 统计方法: ARIMA、SARIMA、指数平滑法
  • 机器学习方法: Prophet、LSTM、基于Transformer的模型
  • 异常检测: 统计和机器学习方法

时间序列基础

数据特性

分析前评估：

属性 问题 影响
平稳性 均值/方差是否恒定？ 方法选择
季节性 是否有重复模式？ 模型组件
趋势 是否有长期方向？ 差分需求
频率 采样率是多少？ 聚合选择
缺失值 是否有间隙？ 插补需求

平稳性检验

from statsmodels.tsa.stattools import adfuller, kpss

# 增广迪基-富勒检验（原假设：非平稳）
adf_result = adfuller(series)
print(f"ADF统计量: {adf_result[0]:.4f}")
print(f"p值: {adf_result[1]:.4f}")
# p < 0.05 表明平稳性

# KPSS检验（原假设：平稳）
kpss_result = kpss(series, regression='c')
print(f"KPSS统计量: {kpss_result[0]:.4f}")
print(f"p值: {kpss_result[1]:.4f}")
# p > 0.05 表明平稳性

使序列平稳

# 差分处理趋势
diff_1 = series.diff().dropna()

# 季节性差分
seasonal_diff = series.diff(periods=12).dropna()  # 月度季节性

# 对数变换处理变化方差
log_series = np.log(series)

# Box-Cox用于最优变换
from scipy.stats import boxcox
transformed, lambda_param = boxcox(series)

时间序列分解

经典分解

原始 = 趋势 + 季节性 + 残差  (加法模型)
原始 = 趋势 × 季节性 × 残差  (乘法模型)

from statsmodels.tsa.seasonal import seasonal_decompose, STL

# 经典分解
decomposition = seasonal_decompose(
    series,
    model='additive',  # 或 'multiplicative'
    period=12
)

# STL（更鲁棒）
stl = STL(series, period=12, robust=True)
result = stl.fit()

# 访问组件
trend = result.trend
seasonal = result.seasonal
residual = result.resid

可视化模式

┌────────────────────────────────────────┐
│ 原始序列                              │ ← 原始数据
├────────────────────────────────────────┤
│ 趋势组件                              │ ← 长期方向
├────────────────────────────────────────┤
│ 季节性组件                            │ ← 重复模式
├────────────────────────────────────────┤
│ 残差组件                              │ ← 随机噪声
└────────────────────────────────────────┘

统计预测方法

ARIMA模型选择

ARIMA(p, d, q):

  • p: 自回归阶数（ACF/PACF）
  • d: 差分阶数（平稳性）
  • q: 移动平均阶数（ACF）
from statsmodels.tsa.arima.model import ARIMA
from pmdarima import auto_arima

# 自动选择
auto_model = auto_arima(
    series,
    start_p=0, max_p=5,
    start_q=0, max_q=5,
    d=None,  # 自动检测差分
    seasonal=False,
    information_criterion='aic',
    trace=True
)
print(auto_model.summary())

# 手动ARIMA
model = ARIMA(series, order=(2, 1, 2))
fitted = model.fit()
forecast = fitted.forecast(steps=30)

季节性数据的SARIMA

SARIMA(p, d, q)(P, D, Q, m):

  • 小写: 非季节性组件
  • 大写: 季节性组件
  • m: 季节性周期
from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(
    series,
    order=(1, 1, 1),
    seasonal_order=(1, 1, 1, 12),  # 月度季节性
    enforce_stationarity=False
)
fitted = model.fit()

# 带置信区间的预测
forecast = fitted.get_forecast(steps=24)
mean = forecast.predicted_mean
ci = forecast.conf_int(alpha=0.05)

指数平滑法

from statsmodels.tsa.holtwinters import ExponentialSmoothing

# Holt-Winters（趋势 + 季节性）
model = ExponentialSmoothing(
    series,
    trend='add',           # 或 'mul', None
    seasonal='add',        # 或 'mul', None
    seasonal_periods=12
)
fitted = model.fit()
forecast = fitted.forecast(24)

基于机器学习的预测

Facebook Prophet

from prophet import Prophet

# 准备数据（必须有'ds'和'y'列）
df = pd.DataFrame({'ds': dates, 'y': values})

# 基础模型
model = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=True,
    daily_seasonality=False
)

# 添加自定义季节性
model.add_seasonality(
    name='monthly',
    period=30.5,
    fourier_order=5
)

# 添加回归变量
model.add_regressor('holiday_flag')
model.add_regressor('promotion')

model.fit(df)

# 预测
future = model.make_future_dataframe(periods=365)
forecast = model.predict(future)

用于序列的LSTM

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

# 准备序列
def create_sequences(data, seq_length):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

X, y = create_sequences(scaled_data, seq_length=60)
X = X.reshape((X.shape[0], X.shape[1], 1))

# 构建模型
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(60, 1)),
    Dropout(0.2),
    LSTM(50, return_sequences=False),
    Dropout(0.2),
    Dense(1)
])

model.compile(optimizer='adam', loss='mse')
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.1)

异常检测

统计方法

# Z-分数方法
def zscore_anomalies(series, threshold=3):
    mean, std = series.mean(), series.std()
    z_scores = (series - mean) / std
    return abs(z_scores) > threshold

# IQR方法
def iqr_anomalies(series, multiplier=1.5):
    Q1, Q3 = series.quantile(0.25), series.quantile(0.75)
    IQR = Q3 - Q1
    lower = Q1 - multiplier * IQR
    upper = Q3 + multiplier * IQR
    return (series < lower) | (series > upper)

# 滚动统计方法
def rolling_anomalies(series, window=30, threshold=2):
    rolling_mean = series.rolling(window).mean()
    rolling_std = series.rolling(window).std()
    lower = rolling_mean - threshold * rolling_std
    upper = rolling_mean + threshold * rolling_std
    return (series < lower) | (series > upper)

孤立森林

from sklearn.ensemble import IsolationForest

# 时间序列的特征工程
features = pd.DataFrame({
    'value': series,
    'hour': series.index.hour,
    'dayofweek': series.index.dayofweek,
    'rolling_mean': series.rolling(24).mean(),
    'rolling_std': series.rolling(24).std()
}).dropna()

model = IsolationForest(contamination=0.01, random_state=42)
anomalies = model.fit_predict(features)
# -1 = 异常, 1 = 正常

模型评估

指标

指标 公式 使用场景
MAE mean(|实际 - 预测|) 可解释误差
RMSE sqrt(mean((实际 - 预测)²)) 惩罚大误差
MAPE mean(|实际 - 预测| / 实际) 百分比误差
SMAPE 对称MAPE 处理零值更好

时间序列交叉验证

from sklearn.model_selection import TimeSeriesSplit

tscv = TimeSeriesSplit(n_splits=5)

for train_idx, test_idx in tscv.split(series):
    train, test = series.iloc[train_idx], series.iloc[test_idx]
    # 在训练集上拟合，在测试集上评估

回测模式

├──────────────────────────────────────────────────────▶ 时间
│
│  ┌─────────────────┬─────┐
│  │     训练       │ 测试│  折叠1
│  └─────────────────┴─────┘
│  ┌───────────────────────┬─────┐
│  │        训练          │ 测试│  折叠2
│  └───────────────────────┴─────┘
│  ┌─────────────────────────────┬─────┐
│  │           训练             │ 测试│  折叠3
│  └─────────────────────────────┴─────┘

参考

  • references/arima-guide.md - ARIMA模型选择和诊断
  • references/prophet-tuning.md - Prophet配置和自定义季节性
  • references/anomaly-patterns.md - 异常检测技术和阈值