企业官网建设流程全解析

【老计带你懂AI算法】10：经典时间序列预测，从移动平均到ARIMA和Prophet

开头：带时间顺序的数据，是另一个物种

前面讲的所有模型，处理的数据有个共同特点，样本之间是独立的、没有先后顺序。这套房和那套房、这封邮件和那封邮件，谁先谁后无所谓，打乱顺序不影响。

可现实里有一大类数据，顺序至关重要，打乱了就全毁了，这就是时间序列。每天的股价、每月的销量、每秒的服务器负载、每小时的网站流量，它们都带着时间戳，一个接一个，昨天影响今天、今天影响明天。时序预测要干的，就是根据过去的走势，预测未来会怎样。

这类任务太常见了：电商要预测下个月销量好备货，运维要预测未来流量好扩容，金融要预测价格走势。因为时间这个维度的加入，时序数据成了一个需要专门方法来对付的物种。这一篇讲经典的时序方法，下一篇讲用机器学习和深度学习做时序。

先看懂时序数据的三大成分

对付时序数据之前，得先学会"看"它。一条时序曲线，通常可以拆成三个成分，理解了这三样，后面所有方法都好懂了：

• 趋势：长期的大方向，是一路往上、往下，还是平着走。比如一家增长中的公司，销量总体是上升趋势。
• 季节性：周期性的规律波动。比如冰淇淋销量夏天高冬天低（一年一个周期），网站流量白天高深夜低（一天一个周期），这种"到点就重复"的规律就是季节性。
• 噪声（残差）：去掉趋势和季节性后，剩下的那些随机的、说不清道不明的波动。

打个比方：一条时序曲线就像一个人爬楼梯还带着呼吸起伏。楼梯的整体高度变化是趋势（长期在往上走），每一步的规律起伏是季节性（周期性重复），而他偶尔的踉跄晃动是噪声（随机的）。时序预测的核心，就是把趋势和季节性这两个有规律的部分抓准、外推到未来，噪声则是没法预测、只能承认的部分。

移动平均与指数平滑：最朴素的思路

最简单的时序预测，就是用过去的平均值来猜未来。

移动平均：拿最近N天的平均值，作为对下一天的预测。比如用最近7天的平均销量预测明天。它的作用主要是抹平短期波动、看清趋势，像给毛糙的曲线做了平滑。缺点也明显，它对所有历史一视同仁地平均，反应比较迟钝，遇到转折跟不上。

指数平滑：对移动平均的一个聪明改进。它的想法是，越近的数据越重要，权重越高；越老的数据越不重要，权重指数级衰减。这更符合直觉，毕竟预测明天，昨天肯定比一个月前更有参考价值。指数平滑还有能同时处理趋势和季节性的高级版本（叫Holt-Winters），能应对更复杂的情况。

这两种方法的共同气质是简单、快、好理解，适合快速出一个基线预测，或者做数据平滑。但它们对复杂规律的刻画能力有限，于是有了更强的ARIMA。

ARIMA：经典时序的集大成者

ARIMA是经典统计时序方法里最有名、最强的一个，很多人一提时序预测就想到它。名字看着吓人，拆开看其实是三个部件的组合，我用大白话讲清每个部件在干嘛：

• AR（自回归）：假设今天的值，和过去几天的值有关系，用过去的值来预测今天。就像"看前几天的走势外推"。
• I（差分）：这是ARIMA处理趋势的手段。很多时序带着明显的上升或下降趋势，不平稳，不好直接建模。差分就是用今天减去昨天，把"绝对值"变成"变化量"，一趟下来往往就把趋势去掉、让序列变平稳了，方便建模。

这里要补一个时序里绕不开的核心概念，平稳性。啥叫平稳？大白话就是这条序列的统计特性（比如平均水平、波动幅度）不随时间变化，看上去从头到尾都"差不多稳"，没有明显的一路上涨或波动越来越大。ARIMA这类经典方法有个前提，它们要求序列是平稳的才好建模。为什么？因为如果序列一直在涨、水平一直在变，模型就抓不住一个稳定的规律来外推。而现实数据大多不平稳（销量在涨、股价在飘），所以才需要前面说的差分，把不平稳的序列（带趋势的）转成平稳的（变化量），这就是ARIMA里那个字母I的使命。理解了平稳性，你就明白为什么时序建模第一步常常是先检验和处理平稳性，这是经典时序方法一个和别的模型很不一样的必修课。

• MA（移动平均）：这里的MA和前面说的移动平均不完全是一回事，它是用过去的预测误差来修正当前预测，相当于从自己以前犯的错里学习。

把这三样组合起来，ARIMA就能同时刻画时序的自相关性和趋势，是很强的经典方法。它还有个加强版叫SARIMA（Seasonal ARIMA），专门多处理了季节性，能应对冰淇淋销量那种带明显周期的数据。

ARIMA的门槛在于，它有三个参数（对应AR、I、MA各用几阶）需要你去定，传统上要看一些统计图来判断，有点专业。好在现在有自动定阶的工具（如pmdarima的auto_arima）能帮你自动搜出合适的参数，降低了使用门槛。

Prophet：为工程而生的好用工具

ARIMA强但用起来有门槛，于是有了Prophet，这是一个工程上特别好用的时序工具，主打一个傻瓜好用、还能处理现实里的各种幺蛾子。

Prophet的思路很直接，它不搞ARIMA那套，而是把时序显式地拆成趋势、季节性、节假日效应几个部分分别建模，再加起来。这个思路和我们前面讲的"三大成分"完全对得上，所以特别好理解。它的几个突出优点：

• 能自动处理季节性（年、周、天的周期都能抓），不用你操心。
• 能吃进节假日信息，这在现实中太重要了，双十一、春节的销量暴增，普通模型会当成异常，Prophet可以让你告诉它这些特殊日子，预测就准多了。
• 对缺失数据和异常点比较鲁棒，现实数据总是脏的，它容忍度高。
• 参数直观、几乎开箱即用，业务人员也能上手。

Prophet牺牲了一点理论上的精细，换来了工程上的极大便利，特别适合业务场景里那些带明显季节性和节假日效应的预测（销量、流量），是很多公司做时序预测的顺手工具。

输入和输出长什么样

• 输入：一条按时间排好序的数值序列（比如每天一个销量数字，带着日期）。注意时序数据绝对不能打乱顺序，这是它和前面所有模型最大的不同。
• 输出：未来若干个时间点的预测值。好的时序工具（如Prophet）还会给出预测的置信区间（未来值大概在哪个范围内），这比一个孤零零的预测数字有用得多，因为它告诉你预测有多大的不确定性。

上代码：用Prophet预测未来趋势

Prophet接口友好，适合演示。输入：一段带日期的历史数据。输出：未来的预测值和置信区间。

# 依赖：pip install prophet pandas numpyimportpandasaspdimportnumpyasnpfromprophetimportProphet# 造一份带趋势+周季节性的数据:两年的每日数据dates=pd.date_range("2023-01-01",periods=730,freq="D")trend=np.linspace(10,30,730)# 缓慢上升的趋势weekly=5*np.sin(np.arange(730)*2*np.pi/7)# 每周一个周期的季节性noise=np.random.randn(730)*2# 随机噪声y=trend+weekly+noise# Prophet要求列名固定为 ds(日期) 和 y(数值)df=pd.DataFrame({"ds":dates,"y":y})model=Prophet(weekly_seasonality=True,yearly_seasonality=False)model.fit(df)# 训练:自动拆解趋势和季节性# 预测未来30天future=model.make_future_dataframe(periods=30)# 生成含未来30天的日期表forecast=model.predict(future)# 看最后5天的预测:yhat是预测值,yhat_lower/upper是置信区间print(forecast[["ds","yhat","yhat_lower","yhat_upper"]].tail())

运行输出（示例，数值仅为示意，因数据含随机噪声每次运行会有差异）：

ds yhat yhat_lower yhat_upper 755 2025-01-25 32.451209 28.617334 36.104290 756 2025-01-26 31.087540 27.301923 34.976311 757 2025-01-27 30.213996 26.351467 34.028755 758 2025-01-28 33.760182 29.914521 37.585049 759 2025-01-29 34.128905 30.315874 38.010223

运行你会得到未来30天的预测值yhat，以及每个预测的上下界（置信区间）。Prophet自动从数据里学出了上升趋势和每周的周期波动，把它们外推到未来，这就是"拆解三大成分再外推"的思路在起作用。拿到的置信区间在实际决策里很有价值，比如备货时可以按预测上界备，避免缺货。

关键参数与注意点

• 季节性设置（Prophet的weekly/yearly_seasonality）：告诉模型数据有哪些周期，这是用好Prophet的关键。
• 节假日：可以传入节假日表，让模型专门处理特殊日子。
• ARIMA的三个阶数：如果用ARIMA，这三个参数最关键，建议用auto_arima自动搜。
• 通用注意点：时序预测越往远预测越不准（误差会累积），所以别指望它精确预测很久以后；同时要警惕数据里的结构突变（比如疫情让所有历史规律失效），历史规律不成立时，任何时序模型都会失灵。

优缺点与适用场景

经典时序方法（ARIMA/Prophet等）优点：可解释性好（能看清趋势、季节性各是什么）、需要的数据量不算大、成熟稳定、Prophet还特别好上手。缺点：主要擅长刻画趋势和季节性这类相对规整的规律，对特别复杂的非线性模式、或者需要用很多外部特征（不只是历史值）来预测的场景，就力不从心了，那时要请出机器学习和深度学习方法。

适合场景：有明显趋势和季节性的业务预测（销量、流量、负载）、数据量中等、需要可解释、需要置信区间。不适合：规律高度非线性、要融合大量外部特征、超大规模多序列联合预测，这些是下一篇主角的舞台。

小结与承上启下

• 时序数据：带时间顺序，不能打乱，核心是抓住趋势、季节性两个规律成分，噪声无法预测。
• 移动平均/指数平滑：最朴素，平滑和快速基线，指数平滑让近处数据权重更高。
• ARIMA/SARIMA：经典集大成者，自回归+差分去趋势+误差修正，SARIMA加季节性。
• Prophet：工程好用，显式拆解趋势季节性节假日，傻瓜好上手、给置信区间，是业务预测的顺手工具。

经典方法擅长规整的趋势和季节性，可如果时序里藏着复杂的非线性规律、或者你想用一堆额外特征（天气、促销、节假日）来帮助预测，就得换思路了。下一篇我们讲怎么用机器学习的树模型和深度学习的LSTM来做时序预测，看看它们各自的长处。

我们下一篇见。

延伸阅读

• statsmodels 官方文档：时间序列分析（含ARIMA、SARIMA）：https://www.statsmodels.org/stable/tsa.html
• Prophet 官方文档：https://facebook.github.io/prophet/

（说明：以上为官方公开文档地址，可能随版本调整，如打不开可用标题搜索。）