时间序列基础：从走势图到预测的实用方法

把一组数据按时间顺序排好，画成折线，这是最直观的观察方式。比如某城市2023年1月到12月的共享单车日均骑行量，1月约12万次，7月升到28万次，12月回落到15万次。这条曲线同时包含三种成分：长期趋势（整体上升或下降）、季节性波动（每年重复的夏高冬低）、以及随机噪声（某天突降暴雨导致的异常低值）。时间序列分析的第一步，就是把这些成分拆开看。

拆解趋势最常用的方法是移动平均。以12个月数据为例，取12期移动平均，可以消掉季节性，得到一条平滑的趋势线。如果数据是季度频率，用4期移动平均。移动平均的窗口长度要覆盖一个完整的季节周期，否则会残留季节波动。比如某电商平台2022年各季度销售额，用4期移动平均后，趋势线显示Q2到Q3增速放缓，而原始数据因为暑期促销显得很高，这就是平滑的价值。

趋势之外，季节性需要单独刻画。计算季节指数的方法很直接：先算出各年同期的平均值，再除以全期总平均值。例如某景区2019-2023年每年Q3游客数分别是80万、95万、110万、130万、150万，五年Q3平均为113万，全期所有季度平均为70万，则Q3季节指数为1.61，意味着Q3通常比平均水平高61%。这个指数可以用来调整预测值，比如预测明年Q3基础趋势为160万，乘以1.61得258万，再结合其他因素微调。

做预测之前，必须检查序列是否平稳。平稳序列的均值和方差不随时间变化。一个简单判断方法：把序列分成前后两段，比较均值和方差。比如某股票日收益率，前500天均值0.02%，后500天均值0.05%，方差也明显不同，这就不是平稳序列。非平稳序列不能直接套用ARIMA等模型，需要先差分。一阶差分是用后一个值减前一个值，得到新序列。如果差分后仍不平稳，再做二阶差分。实际操作中，差分次数很少超过2次。

自相关函数（ACF）和偏自相关函数（PACF）是选择模型阶数的工具。ACF衡量序列与其滞后版本的相关性。比如某日销量数据，滞后1天的ACF为0.7，滞后2天为0.5，滞后3天为0.3，缓慢衰减，说明存在趋势，需要差分。差分后ACF在滞后1天处显著，之后迅速落入置信区间，提示可能是一阶移动平均过程。PACF则在滞后1天处截尾，提示一阶自回归。这些图不需要背公式，用Python的statsmodels库几行代码就能画出来。

一个常见误区是把相关性当因果。比如发现冰淇淋销量和溺水人数同步上升，两者都受气温影响，但彼此没有因果关系。时间序列分析中，两个序列高度相关可能只是因为共享相同的趋势。解决办法是差分后再看相关，或者引入控制变量。另一个误区是过度拟合。用ARIMA(5,1,5)去拟合只有50个点的序列，模型会记住噪声，预测新数据时误差反而更大。一般经验是，参数总数不超过样本量的十分之一。

最后，预测永远是不确定的。给出点预测的同时，要附上预测区间。比如预测下月销量为1000件，95%预测区间是[800, 1200]，这比单说1000更有信息量。随着预测步长增加，区间会迅速变宽。所以时间序列的实用原则是：短期预测靠模型，中期预测靠趋势外推，长期预测靠假设情景。观察数据时，多问一句“这个走势能持续多久”，比直接相信预测值更可靠。