要作数值预测，最好的方法莫过于回归预测。通过建立起影响因素（即自变量）与目标变量之间的函数关系式，就可以对因变量的未来值进行预测。

尽管回归分析在预测时比较准确，但是，实现比较复杂，因为它要求能够找到所有或大部分影响事物的关键因素，这样才能够建立回归模型进行预测。

但是，在真实的场景中，要找出影响事物的关键因素是非常困难的，比如，大多数社会经济指标，如国内生产总值（GDP）、消费价格指数（CPI）、上证综合指数等等，要找出影响因素来建模，基本上不太可能，所以这种场景下，采用回归分析难以实现。

那该怎么办呢？

此时，可以尝试使用另一种分析方法，即时间序列分析法。

基本原理

时间序列分析，不像回归分析，它是抛开了对事物发展的因果分析，只分析事物的过去和未来的联系，即它假定事物的过去趋势会延伸到未来。

时间序列（Time series），指的是按照相等时间间隔的顺序而形成的数据序列。一般情况下，大多数社会经济指标，如GDP、CPI、利率、汇率等等都是时间序列。

时间序列的时间间隔可以是分秒（如股票金融数据），也可以是日、周、月、季度、年，甚至更大的时间单位。

时间序列分析基于这样一个假设：事物过去的模型可以持续到未来。

时序形态

简单地，一个时间序列会随着时间变化而变化，如下图所示的几种变化形式。

比如左上第一个序列，有着明显的季节性波动；右上第二个序列，有整体下降的趋势；左下第三个序列，呈现上升趋势而且具有季节波动；右下第四个序列，没有明显的趋势也没有季节波动。

常用方法

最常见的时间序列分析模型和方法有如下三大类：

1） 趋势类分析：移动平均、指数平滑等

2） 季节波动类分析：温特斯方法、基于回归的方法

3） 平稳序列类分析：自回归滑动平均模型

每一大类中，都会有多种分析方法和模型。

 傅一航，大数据专家。

主讲《大数据变革与商业模式创新》《大数据与商业智能》《大数据精准营销》《大数据分析与挖掘》《大数据建模》等课程。

邮箱：2509626286@qq.com