时间序列预测初探：Kats，SARIMA，Prophet，deepAR 等

---

时间序列

简介

时间序列预测就是通过多种维度的数据本身内在与时间的关联特性（其中可能包含季节性、趋势性等等特征），进而利用历史数据预测未来的场景。

时序预测从不同角度看有不同分类。

从实现原理的角度，可分为传统统计学和机器学习（又分非深度学习和深度学习）。
按预测步长区分，可分为单步预测和多步预测，简单来说就是一次预测未来一个时间单元还是一次预测未来多个时间单元的区别。
按输入变量区分，可分为自回归预测和使用协变量进行预测，区别在于维度中是否含有协变量。例如预测未来销售量时，如果只接受时间和历史销售量数据，则是自回归预测；如果可以接受天气、经济指数、政策事件分类等其他相关变量（称为协变量），则称为使用协变量进行预测。
按输出结果区分，可以分为点预测和概率预测。很多模型只提供了点预测而不提供概率预测，点预测模型后再加蒙特卡洛模拟（或其他转化为概率预测的方式）往往不能准确反映模型输出的预测概念，而在大多数场景下，概率预测更贴近事实情况，对于未来的预测本身就应该是一种概率分布。
按目标个数区分，可以分为一元、多元、多重时间序列预测。
举例来说：使用历史的销售量预测未来1天的销售量为一元时间序列预测；使用历史的进店人数、销售量、退货量预测未来1天的进店人数、销售量、退货量（预测目标有三个）为多元时间序列预测；使用历史的红烧牛肉面、酸菜牛肉面、海鲜面的销售量预测未来1天的红烧牛肉面、酸菜牛肉面、海鲜面的销售量（预测目标有三种）为多重时间序列预测。这些分类是不同角度下的分类，同一种算法往往只能是分类中的一种，例如传统的统计学算法只适合做自回归预测而不适合协变量预测。
<