2、时间序列基础概念：趋势、季节性、周期性、随机性、平稳性与非平稳性
各位同学，欢迎来到第二章。
说实话，时间序列分析入门最怕什么？就是一堆概念砸过来，你还没分清谁是谁，就开始上模型了。我当年刚入行时也踩过这个坑——拿到数据直接套ARIMA，结果预测出来一条直线，被领导骂了一下午。
所以这一章，咱们把地基打牢。趋势、季节性、周期性、随机性、平稳性，这几个词你搞懂了，后面80%的模型你都能驾驭。
2.1 趋势（Trend）
趋势，说白了就是数据长期往哪个方向走。
比如你观察一家公司的季度营收，连续三年都在涨，这就是上升趋势。反过来，某个传统行业的销量逐年下滑，那就是下降趋势。当然，也有横着走的——比如某些成熟市场的用户数，基本稳定在一个区间。
核心要点：趋势是长期、持续的变化方向，不是短期波动。
我个人习惯把趋势分成两类：
- 线性趋势：数据大致沿着一条直线走。比如每年增长5%。
- 非线性趋势：曲线上升或下降。比如指数增长、对数增长。
我在项目中遇到过最典型的案例：某电商平台的日活数据，看起来每年都在涨，但仔细一拆，其实是疫情期间的爆发式增长，后面就平了。如果你直接用线性模型去拟合，预测结果会严重偏高。
避坑指南：我曾经犯过一个错误——看到数据一直涨，就以为趋势会永远持续。结果忽略了市场饱和度的天花板。记住：趋势是会变的，尤其是长期预测时，一定要结合业务逻辑判断。
2.2 季节性（Seasonality）
季节性，就是数据在固定时间间隔内重复出现的模式。
你想想看，每年双十一销量暴涨，每年春节前后物流爆仓，每年夏天冰淇淋销量飙升——这些都是季节性。
季节性的周期通常是固定的：一天、一周、一个月、一个季度、一年。比如：
- 小时级别的用电量：白天高、晚上低
- 周级别的餐厅客流：周末人多、工作日人少
- 月级别的零售数据：12月最高、2月最低
嗯，这里要注意：季节性和我们平时说的“四季”不完全是一回事。在时间序列里，“季节”指的是任何固定周期的重复模式。哪怕你的数据是每5分钟采集一次，只要每24小时重复一次，那也叫季节性。
关键区别：季节性 = 固定周期 + 可预测的重复模式。
2.3 周期性（Cyclicity）
周期性，很多人容易和季节性搞混。我刚开始学的时候也分不清。
周期性，指的是数据在非固定时间间隔内出现的波动模式。它没有固定的周期长度，周期长度可能几年、十几年，甚至不确定。
举个例子：经济周期——繁荣、衰退、萧条、复苏。这个周期可能是5年，也可能是10年，没人能精确预测下一次衰退什么时候来。
| 特征 | 季节性 | 周期性 |
|---|---|---|
| 周期长度 | 固定（如12个月） | 不固定（如3-10年） |
| 驱动因素 | 日历、气候、节假日 | 经济、政策、技术变革 |
| 可预测性 | 高 | 低 |
| 常见场景 | 零售、能源、交通 | 宏观经济、股票市场 |
我在项目中遇到过：某制造业企业的订单量，看起来有周期性波动，但周期长度从3年到7年不等。后来发现，这跟设备更新换代周期有关。如果你用季节性模型去拟合，结果会一塌糊涂。
警告：千万别把周期性当成季节性来处理。季节性可以用差分或季节模型解决，周期性则需要更复杂的分解方法，比如STL分解或小波变换。
2.4 随机性（Randomness / Irregularity）
随机性，也叫不规则成分。就是数据中那些无法被趋势、季节性、周期性解释的“噪音”。
说白了，就是运气成分。比如某天突然下暴雨，导致外卖订单暴增；或者某个工厂突发停电，产量骤降。这些都属于随机波动。
随机性有两个特点：
- 不可预测：你没法提前知道它什么时候发生
- 无规律：没有固定的模式
但注意，随机性不等于“没用”。在时间序列建模中，我们通常假设随机成分是白噪声——均值为0、方差恒定、彼此独立。如果你的模型把随机成分也拟合进去了，那就是过拟合。
我的经验：判断一个序列的随机成分是否合理，可以看残差的自相关图。如果残差还有明显的自相关，说明你的模型没把信息提取干净。我曾经有个项目，残差一直有周期性，后来发现是忘了加星期几的虚拟变量。
2.5 平稳性（Stationarity）
平稳性，是时间序列分析里最重要的概念之一。没有之一。
什么叫平稳？简单说：数据的统计性质不随时间变化。
具体来说，一个平稳时间序列满足：
- 均值恒定：长期来看，数据围绕一个固定值波动
- 方差恒定：波动幅度不随时间变化
- 自协方差只与时间间隔有关：比如相隔1天的两个点，它们的相关性只取决于“相隔1天”这个事实，而不取决于具体是哪一天
你想想看，如果数据均值一直在变，你怎么用历史数据预测未来？所以大多数时间序列模型（比如ARIMA）都要求数据是平稳的。
核心原则：建模前先检验平稳性，不平稳就做差分或变换。
常用的平稳性检验方法：
- ADF检验（Augmented Dickey-Fuller Test）：最常用，原假设是“序列非平稳”
- KPSS检验：原假设是“序列平稳”，和ADF互补使用
- 观察法：看时序图、自相关图（ACF），如果自相关衰减很慢，通常是非平稳
# Python示例：ADF检验
from statsmodels.tsa.stattools import adfuller
result = adfuller(data)
print(f'ADF统计量: {result[0]}')
print(f'p值: {result[1]}')
# p值 < 0.05 通常认为序列平稳
2.6 非平稳性（Non-stationarity）
非平稳性，就是平稳性的反面。大多数原始时间序列都是非平稳的。
非平稳的来源主要有三种：
- 趋势非平稳：均值随时间变化（比如持续上升）
- 季节性非平稳：存在固定周期的波动
- 方差非平稳：波动幅度随时间变化（比如金融数据的波动聚集）
处理非平稳的常用方法：
- 差分：一阶差分消除线性趋势，二阶差分消除二次趋势
- 季节差分：消除季节性（比如对月度数据做12阶差分）
- 对数变换：稳定方差（比如对指数增长的数据取log）
- Box-Cox变换：更通用的方差稳定方法
注意：差分不是万能的。过度差分会导致信息丢失，甚至引入虚假的自相关。我见过有人对平稳数据也做差分，结果模型反而变差了。记住：差分的目的是让数据变平稳，不是为差分而差分。
2.7 知识体系总览
下面这张图，是我自己总结的时间序列基础概念框架。你把它存下来，后面学任何模型都可以回来对照。
这张图把本章的核心概念串起来了。你从“时间序列”出发，左边是它的可分解成分，中间是统计性质，右边是建模前的准备工作。每个分支之间其实是有联系的——比如非平稳性往往来源于趋势或季节性，而平稳性检验又是建模的前提。
好了，这一章的内容就到这里。概念虽然多，但别急，后面每一章都会反复用到这些知识。你先把这张图刻在脑子里，后面学模型会轻松很多。