什么是时序预测

时序预测是一种统计或机器学习方法，它会尝试对历史时序数据建模，以预测未来的时间点。

与其他类型的模型相比，时序预测具有独特的挑战，例如季节性、节假日效应、数据稀疏和趋势变化。由于时序的顺序本质和时间相关性，许多机器学习技术的效果并不理想。

例如，k-fold 交叉验证可能会导致数据泄露；模型需要重新训练以生成新的预测。无法对时间维度进行随机化处理，使得在过拟合和欠拟合之间达到平衡变得很复杂。 由于可能有数百万个项需要预测，因此还必须考虑任何预测解决方案的可伸缩性。除了预测，任务也可能对业务很重要，例如异常值检测、不确定性量化和因果推断。

时序预测不仅仅是对带时间戳的数据的监督式学习。

例如，大型零售商店可能要预测数百万件商品，以便在需求旺盛时保证库存，而在需求低迷时避免库存积压。

商品的零售需求预测

构建端到端的解决方案以预测零售商品的需求。使用历史销售数据来训练需求预测模型，然后在信息中心内直观呈现预测值，以与利益相关方共享。

商品价格预测

时序模型用于预测对业务和生产流程至关重要的商品的价格，并为现金流模型和财务计划提供信息。

现金流预测

时序模型通常与回归和分类模型结合使用，根据历史账单时序以及来自交易数据和合同义务的输入生成高度准确的现金流预测。

使用需求预测进行异常值检测

在节假日、送礼季或年终促销时，有时会出现预料之中的高峰。但是，当出现意料之外的高峰（或低谷）时，该怎么办呢？例如，如何发现意料之外的异常高（或异常低）的需求？ 了解如何将异常值检测用来发现自行车租赁的异常高峰，这个高峰正好发生在伦敦公共交通中断的日期。

制造质量控制和指标监控

从 IoT 传感器到生产输出，指标的监控可以有多种形式。然而，常见的元素是预测这些指标的典型范围，以便您可以提前进行规划并在部署了监控系统的情况下尽快做出响应。

异常值检测的其他常见用例包括因价格错误导致的价格异常、实时异常值检测和制造质量控制。

广告效果

您的广告在提升业务量方面的效果如何？因果推断可以帮助您了解广告系列的统计显著性。

重大事件对时序的影响

您可能想知道重大事件（例如英国脱欧）对某个时序的影响是否具有统计显著性。详细了解如何进行因果推断以回答“英国脱欧投票如何影响英镑与美元之间的汇率？”这个问题。

因果推断分析的其他应用领域包括促销、激励效果和价格弹性估算。

进行单变量预测时，仅使用历史时序数据来预测未来数据。例如，如需预测纽约市明天的气温，单变量预测意味着仅使用历史气温这一个变量来预测未来气温。 进行单变量预测时，您还可以发现季节性模式和趋势。

进行多变量预测时，使用多个因素来预测未来的数据。 例如，如需预测纽约市明天的气温，除了使用历史气温之外，您还可以使用气压、紫外线指数、附近地理区域的云量百分比、风速和其他变量。