【数据分析】基于时间序列的预测方法

本系列包含：

• 基于时间序列的预测方法
• 利用机器学习算法进行预测分析（一）：移动平均（Moving Average）
• 利用机器学习算法进行预测分析（二）：线性回归（Linear Regression）
• 利用机器学习算法进行预测分析（三）：最近邻（K-Nearest Neighbours）
• 利用机器学习算法进行预测分析（四）：自回归差分移动平均模型（AutoARIMA）
• 利用机器学习算法进行预测分析（五）：Prophet
• 利用机器学习算法进行预测分析（六）：长短时记忆网络（LSTM）
• 基于Streamlit制作的时间序列数据分析APP（上手简单，附可运行源码）

---

1.时间序列介绍

时间序列(Time Series，TS)是数据科学中比较有意思的一个领域。顾名思义，TS是按固定时间间隔收集的数据点的集合。对这些数据进行分析以确定长期趋势，以便预测未来或执行其他形式的分析。但是TS又与常规回归问题不同。

• 它是时间相关的。因此，在这种情况下，“观测值是独立的线性回归模型”这个基本假设不成立。
• 随着趋势的增加或减少，大多数TS具有某种形式的季节性趋势，即特定时间范围内的变化。例如，一件羊毛夹克的销量，随着时间不断向前推进，我们会发现在冬季总是有更高的销量。

2.原始数据集

我们以一家超市某种物品的销量作为模拟分析的对象。第一列是字符串格式的日期（从20200101到20200523），第二列是销量情况。

数据集和代码放在了我的GitHub上，需要的朋友可以自行下载：https://github.com/Beracle/01-Time-Series-Forecast.git

3.导入数据

import pandas as pd
<