时间序列及异常检测综述（资料）

1. 背景

时间序列数据（time series data）是在不同时间上收集到的数据，用于描述现象随时间变化的情况。时间序列是一种典型的数据，具有随时间变化的特征。在大多数场景中，都能见到的一种数据类型。如客流数据，股票数据，销售额数据，网络日志，某些KPI指标等等内容。
时间序列数据格式：(单变量)

Time	Value
2018-11-01	2222
2018-11-02	3241
2018-11-03	4232

… …

2. 时间序列预测方法

首先我们要有个目标，想通过时间序列数据完成什么样的目标，短期、中期、长期预测,单步、多步，单变量，多变量。然后需要尽可能的收集时间序列数据，数据越多，能够发现更多数据特征，预测会更准确。
时间序列需要对数据中的缺失、异常、范围等进行处理。并且如何可以将预测问题转换为分类问题，则预测的难点会大大降低。
常见的时间序列数据预测方法，主要总结一下几种：

• 简单平均法
• 移动平均法
• 指数平均法
• ARIMA法
• Prophet法
• 线性回归、KNN等机器学习算法
• LSTM等深度学习算法

下面主要对其中几种方法进行介绍，其他方法提高参考链接，可自行学习。

3. ARIMA

ARIMA模型全称为自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
注意：ARIMA模型只适用于单变量时序预测。

3.1 ARIMA模型预测的流程

1）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。
2）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。
3）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。
4）进行参数估计，检验是否具有统计意义。
5）进行假设检验，诊断残差序列是否为白噪声。
6）利用已通过检验的模型进行预测分析。

3.2 学习资料

针对每一部分，参考的学习链接如下：
Gitlab: