时间序列分析是分析一段时间内收集的一系列数据点的特定方法。 在时间序列分析中，分析师在设定的时间段内以一致的时间间隔记录数据点，而不仅仅是间歇性或随机性地记录数据点。 然而，这种类型的分析不仅仅是随着时间的推移收集数据的行为。
时间序列数据与其他数据的区别在于，分析可以显示变量如何随时间变化。 换句话说，时间是一个关键变量，因为它显示了数据在数据点过程中的调整方式和最终结果。 它在信息源和数据之间提供了一组额外的依赖关系。
时序分析通常需要大量的数据点来保证一致性和可靠性。 广泛的数据集可确保您拥有具有代表性的样本量，并且分析可以消除噪声数据。 它还确保发现的任何趋势或模式都不是异常值，并且可以解释季节性差异。 此外，时间序列数据可用于将来的数据。
时间序列分析可帮助组织了解随时间推移的趋势或系统模式的根本原因。 使用数据可视化，业务用户可以查看季节性趋势，并更深入地挖掘这些趋势发生的原因。 借助现代分析平台，这些可视化效果可以远远超出折线图的范围。
在以一致的时间间隔分析数据时，还可以使用时间序列来确定未来事件发生的可能性。 时间序列是分析的一部分。 它可以显示数据中可能的变化，例如季节性或周期性行为，从而可以更好地理解数据变量并有助于更好地**。
例如，学校分析五年的学生成绩数据，以识别有风险的学生并跟踪一段时间内的进展。 今天的技术使我们能够每天收集大量数据，并且比以往任何时候都更容易收集这些数据进行全面分析。
时间序列分析用于非平稳数据，即随时间波动或受时间影响的数据。 时间序列分析通常用于金融、零售和经济学等行业，因为货币和销售额总是在变化。 市场分析是时间序列分析的一个很好的例子，尤其是使用自动交易算法。 同样，时间序列分析也非常适合天气变化，帮助气象学家处理从明天的天气预报到未来几年气候变化的所有事情。 实际应用中的时间序列分析示例包括：
天气数据。 降雨量测量。
温度读数。 心率监测 （EKG）。
脑部监测（脑电图）。
季度销售额。
自动**交易。
工业**。 利率。
由于时间序列分析包括许多类别或数据变体，因此分析师有时必须构建复杂的模型。 但是，分析师无法解释所有差异，也无法将特定模型推广到每个样本。 过于复杂或尝试执行过多操作的模型可能会导致不适当。 模型缺乏拟合或过拟合会导致这些模型无法区分随机误差和真实关系，从而导致分析偏斜和不正确。
时序分析模型包括：
分类：识别数据并为数据分配类别。
曲线拟合：沿曲线绘制数据，以研究数据中变量的关系。
描述性分析：识别时间序列数据中的模式，例如趋势、周期或季节性变化。
解释性分析：试图理解数据及其内部关系，以及因果关系。
探索性分析：突出显示时间序列数据的主要特征，通常采用可视化格式。
*:*未来的数据。 此类型基于历史趋势。
干预分析：调查事件如何改变数据。
分段：将数据分段为多个段，以揭示源信息的基础属性。
正如有许多类型和模型一样，研究数据的方法也有很多。 以下是最常见的三种。
Box-Jenkins Arima 模型：这些单变量模型用于更好地了解随时间变化的单个变量（例如温度随时间变化），并了解变量的未来数据点。 这些模型的工作假设是数据是静止的。 分析师必须尽可能多地解释和消除过去数据点中的差异和季节性。 值得庆幸的是，ARIMA 模型在模型中包含用于解释移动平坦、季节性差异运算符和自回归项的项。
Box-Jenkins 多变量模型：多变量模型用于分析随时间变化的多个变量，例如温度和湿度随时间的变化。
Holt-Winters方法：Holt-Winters 方法是一种指数平滑技术。 它被设计为一个结果，前提是数据点包括季节性。
优质作者名单