方法选型决策指南：时间序列怎么选方法（深度版）

专门处理带时间索引的数据：先看平稳性、趋势、季节、外部因子，再选对应模型。

分类：🔮 预测类　适用：股价/气象/负荷序列、带外生变量的预测、周期性与趋势分析

一、这个指南适合谁（适用场景）

股价/气象/负荷序列
带外生变量的预测
周期性与趋势分析

二、选型决策要素

画时序图看趋势/季节
平稳性检验（ADF）
有无外生变量
短期/长期需求
匹配模型→滚动验证

三、选型的底层逻辑

时间序列预测的独特之处在于观测依时间有序且通常自相关——第 $t$ 时刻的值依赖于 $t-1,t-2,\dots$ 。这带来两个选型约束：①可识别性依赖平稳性，非平稳序列的"历史规律"会随时间漂移，不能直接外推，必须先差分/去趋势把规律"固定"下来；②必须防止数据泄露，验证只能用"过去训、下一步测"的滚动方式，绝不能用未来信息。选模型 = 先判定序列的统计性质（趋势、季节、外生因子、长依赖），再匹配对应结构：平稳短期用 ARIMA，强季节用 SARIMA/Prophet，外生因子用 ARIMAX，长依赖大样本用 LSTM。核心思想：让模型结构去"匹配"序列已被诊断出的统计特征。

四、决策模型与推导

平稳性与差分：ADF 检验判定单位根。对序列做 $d$ 阶差分 $\nabla^d x_t$ 至平稳。自相关函数 ACF 与偏自相关 PACF 的截尾/拖尾模式决定 ARMA $(p,q)$ 阶数：

$x_t=\sum_{i=1}^p\phi_i x_{t-i}+\sum_{j=1}^q\theta_j\varepsilon_{t-j}+\varepsilon_t$

PACF 在 $p$ 阶截尾→选 AR( $p$ )；ACF 在 $q$ 阶截尾→选 MA( $q$ )。

信息准则定阶：在候选 $(p,q)$ 中选

$\text{AIC}=2(p+q+1)-2\ln\hat L$

最小者，兼顾拟合与复杂度，避免过阶导致的过拟合与伪结构。

滚动验证（walk-forward）：把数据按时间切成 $T_1\prec T_2\prec\cdots$ ，每次用 $T_k$ 训、 $T_{k+1}$ 测，累积误差。它严格禁止未来信息参与训练，给出贴近真实部署的误差估计。违反（随机切分）会造成"数据泄露"，使验证误差远低于真实——这是时序建模最隐蔽的坑。

外生变量：当存在同期可观测的协变量 $z_t$ ，用 ARIMAX：

$x_t=\sum\phi_i x_{t-i}+\sum\beta_j z_{t-j}+\varepsilon_t$

把外部驱动显式建模，提升外推稳健性。

五、选型流程（怎么选）

明显趋势 → 先差分或去趋势再建模。
平稳无季节 → ARMA/ARIMA。
有季节 → SARIMA / 季节分解 / Prophet。
有外部因子 → 带回归项的 ARIMAX / 多元 LSTM。
用滚动窗口（walk-forward）验证，而非单次切分。

六、问题 → 方法映射

ARIMA：单变量经典；要平稳。
Prophet：强季节+节假日，易用。
LSTM：长依赖、大样本；解释弱。

七、常见误选与对策

非平稳直接拟合 → 伪相关。
用未来信息（数据泄露）→ 验证失真。
忽视季节性 → 系统性偏差。

八、选型自检清单

已做平稳性检验
季节/趋势已处理
无数据泄露
滚动验证通过

九、配套资源与搭配

预测类问题怎么选方法
灰色预测 GM(1,1) 速成手册
敏感性分析与误差分析

本指南由 MCM520 资料站自动生成（深度版），配套算法速成手册可在资源页下载。

10、实战案例

案例：时间序列选题

常见类型：股票预测、气象预测、销售预测
推荐模型：ARIMA、LSTM、Prophet

实战案例

时间序列选型实战

场景：数据按时间顺序排列，需预测或异常检测。
任务：根据趋势/季节/噪声结构选型。

完整代码（text）

结构分解：Y(t) = 趋势 + 季节 + 周期 + 噪声
选型：
- 仅趋势 → 移动平均 / Holt
- 趋势+季节 → Holt-Winters / SARIMA
- 多变量 → VAR / 带外生变量的 ARIMAX
- 非线性长依赖 → LSTM / Transformer
- 异常检测 → 3σ / 孤立森林

工具：statsmodels(ARIMA)、Prophet(季节)。

运行效果

选型案例：

用电量（强季节）→ Prophet
股价（弱季节噪声大）→ GARCH+LSTM
传感器异常 → 孤立森林
坑：忽略季节直接AR→残差有结构→预测偏。