时间序列分析(Time-SeriesAnalysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测，提取图像有关特征，并分析其变化过程与发展规模。当然，首先需要根据检测对象的时相变化特点来确定遥感监测的周期，从而选择合适的遥感数据。

特点：简单易行，便于掌握，但准确性差，一般只适用于短期预测。

基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。

(资料图)

主要用途

时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场浅量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。主要包括从以下几个方面入手进行研究分析。

系统描述：根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。

系统分析：当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。

预测未来：一般用ARMA模型拟合时间序列，预测该时间序列未来值。

决策与控制：根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制

时间序列依据其特征，有以下几种表现形式，并产生与之相适应的分析方法：

长期趋势变化：受某种基本因素的影响，数据依时间变化时表现为一种确定倾向，它按某种规则稳步地增长或下降。使用的分析方法有：移动平均法、指数平滑法、模型拟和法等。

季节性周期变化：受季节更替等因素影响，序列依一固定周期规则性的变化，又称商业循环。采用的方法：季节指数。

循环变化：周期不固定的波动变化。

随机性变化：由许多不确定因素引起的序列变化。

时间序列分析主要有确定性变化分析和随机性变化分析。其中，确定性变化分析包括趋势变化分析、周期变化分析、循环变化分析。随机性变化分析：有AR、MA、ARMA模型等

想学人工智能当工程师的朋友们~✔

整理了有关人工智能的资料，深度学习神经网络+CV计算机视觉学习（两大框架pytorch/tensorflow+源码课件笔记）+NLP+机器学习+数学基础等资料，零基础小白想学习人工智能或者转行到高薪资行业的，大学生都非常实用，无任何套路  free提供，具体如下图

论文代码+100G资源包+AI公开课+专家一对一论文/简历/就业/竞赛指导+大牛技术问题答疑

关注【公众H：咕泡AI  回复211】

适用人群

①准备毕业论文的学生  ②准备跳槽，正在找工作的AI算法工程师等  ③自学和准备转行到AI领域的人  ④想巩固AI核心知识，查漏补缺的人  

标签：