每当你发现一个与时间对应的趋势时，你就会看到一个时间序列。研究金融市场表现和天气预报的事实上的选择，时间序列是最普遍的分析技术之一，因为它与时间有着不可分割的关系 - 我们总是有兴趣预测未来。
时间相关模型
一种直观的预测方法是参考最近的时间点。今天的股价可能会比昨天的价格更接近五年前的价格。因此，在预测今天的价格时，我们会比最近的价格更重要。过去和现在值之间的这些相关性表明了时间依赖性，它形成了一种流行的时间序列分析技术ARIMA（自回归整合移动平均线）的基础。ARIMA既考虑季节变化又考虑过去的一次性“冲击”以作出未来预测。
但是，ARIMA做出了严格的假设。要使用ARIMA，趋势应该有规律的时期，以及不变的均值和方差。例如，如果我们想分析一个增长的趋势，我们必须首先对趋势进行转型，使其不再增加，而是停滞不前。而且，如果我们缺少数据，ARIMA将无法工作。
为了避免将我们的数据挤压到模具中，我们可以考虑一种替代方法，如神经网络。长期短期记忆（LSTM）网络是一种基于时间依赖性建立模型的神经网络。虽然高度准确，但神经网络缺乏可解释性 - 很难确定导致特定预测的模型组件。
模型
除了使用类似时间点的值之间的相关性之外，我们可以退后一步对整体趋势进行建模。时间序列可以被看作是个体趋势的总和。举例来说，谷歌搜索柿子，一种水果的趋势。
从图1中，我们可以推断柿子可能是季节性的。随着11月份供应量达到峰值，杂货店的顾客可能会被要求谷歌营养知识或柿子食谱。
图8.比较不同的先前值导致的预测误差。
除了调整先行者之外，我们还可以调整基础增长模型，季节性趋势和特殊事件的设置。对我们的数据进行可视化也有助于我们识别和删除异常值。例如，我们可以通过排除2010年的数据来改进预测，在此期间页面浏览次数非常高。
限制
正如你可能猜测的那样，在时间序列中有更多的训练数据不一定会导致更准确的模型。异常值或快速变化的趋势可能会加剧任何预测工作。更糟糕的是，对时间序列产生永久影响的突然震荡也可能使所有过去的数据无关紧要。
因此，时间序列分析最适合稳定和系统的趋势，我们可以通过可视化来评估趋势。
概要
时间序列分析是一种技术，可以推导出一段时间内的趋势，可用于预测未来的数值。广义相加模型（GAM）通过识别和累加多个函数来实现这一点，从而得到最适合数据的趋势线。
GAM中的函数可以使用反拟合算法来识别，该算法迭代地拟合和调整函数以减少预测误差。
时间序列分析最适合稳定和系统的趋势。
