第四章：时间序列分析入门
各位同学好，我是老张。今天咱们聊聊时间序列分析。说实话，这玩意儿在供应链里太常用了——预测销量、监控库存、发现异常，哪样都离不开它。我做了这么多年量化交易和供应链优化，时间序列是我工具箱里最趁手的家伙之一。
时间序列，说白了就是按时间顺序排列的数据点。比如你每天记录的库存水位、每小时的生产量、每周的订单数，这些都是时间序列。但光有数据还不够，你得知道怎么分析它。
4.1 时间序列的基本概念
时间序列有三个核心要素：趋势、季节性和随机波动。趋势是长期走向，比如某款产品销量逐年上升；季节性是以固定周期重复的模式，比如每年双十一前订单暴增；随机波动就是那些没法解释的噪声。
我个人习惯，拿到任何时间序列数据，第一件事就是画图。用眼睛看比用任何统计检验都直观。你想想看，一条曲线是往上走还是往下走，有没有明显的周期性波动，一眼就能看出来。
核心要点：时间序列分析的前提是数据按固定时间间隔采集。如果间隔不固定，你得先做重采样。我在项目中遇到过有人拿不规则间隔的数据直接建模，结果预测值全跑偏了。
4.2 平稳性检验
平稳性是时间序列分析里绕不开的概念。一个平稳的时间序列，它的统计性质——均值、方差、自相关——不会随时间变化。为什么要强调这个？因为大多数时间序列模型都假设数据是平稳的。
怎么判断平稳性？我常用两种方法：
- 肉眼观察法：看时序图，如果数据围绕一个常数上下波动，且波动幅度大致稳定，那大概率是平稳的。
- 单位根检验：最常用的是ADF检验（Augmented Dickey-Fuller test）。p值小于0.05，就拒绝非平稳的原假设。
# Python代码示例：ADF检验
from statsmodels.tsa.stattools import adfuller
# 假设data是你的时间序列
result = adfuller(data)
print(f'ADF统计量: {result[0]}')
print(f'p值: {result[1]}')
if result[1] < 0.05:
print('数据平稳，可以继续建模')
else:
print('数据非平稳，需要差分处理')
避坑指南：我曾经在分析某电商平台的日订单量时，直接用了原始数据建模，结果模型表现极差。后来才发现数据有明显的周周期性——周末订单量比工作日高30%。差分一次后，模型才正常工作。记住：非平稳数据直接建模，结果基本是废的。
4.3 自相关与偏自相关函数
自相关函数（ACF）和偏自相关函数（PACF）是时间序列分析的两把刷子。ACF衡量的是当前值与过去值之间的相关性，PACF则是在剔除中间变量影响后的相关性。
举个例子：今天的库存水位和昨天的库存水位相关，这叫一阶自相关。但今天的库存也可能间接受到前天的影响——因为前天影响了昨天，昨天又影响了今天。PACF就是去掉这种间接影响，只看直接关系。
怎么用？看ACF和PACF的拖尾和截尾特征：
| 模型 | ACF特征 | PACF特征 |
|---|---|---|
| AR(p) | 拖尾（逐渐衰减） | p阶后截尾（突然归零） |
| MA(q) | q阶后截尾 | 拖尾 |
| ARMA(p,q) | 拖尾 | 拖尾 |
嗯，这里要注意：实际数据往往没这么理想。我见过很多ACF图拖拖沓沓，截尾不明显。这时候别死磕理论，多试几个p和q的组合，用AIC或BIC选最优。
4.4 移动平均与指数平滑
移动平均是最简单的平滑方法。说白了就是取最近N个点的平均值，代替当前值。N越大，曲线越平滑，但对变化的反应越迟钝。
# 简单移动平均
def simple_moving_average(data, window):
return data.rolling(window=window).mean()
# 加权移动平均（给近期数据更高权重）
def weighted_moving_average(data, window):
weights = np.arange(1, window+1)
return data.rolling(window=window).apply(
lambda x: np.dot(x, weights) / weights.sum()
)
指数平滑比移动平均更聪明。它给所有历史数据都分配权重，但越近的数据权重越大，而且权重按指数衰减。你想想看，昨天的数据比上个月的数据更有参考价值，这很合理对吧？
指数平滑有个关键参数——平滑系数α。α越大，模型对近期数据越敏感；α越小，历史数据的影响越持久。我一般用0.2到0.3作为起点，然后根据预测误差调整。
个人经验：在供应链预测中，我习惯先用简单指数平滑做个基线。如果数据有趋势，用Holt线性趋势模型；如果有季节性，用Holt-Winters模型。别一上来就上ARIMA，简单模型往往更稳健。
知识体系总览
下面这张图是我自己画的，把本章的核心逻辑串起来了。你保存下来，以后做分析时对照着看。
这张图把时间序列分析的四个核心模块串起来了。从基本概念出发，先做平稳性检验，然后用ACF/PACF判断模型结构，最后用移动平均或指数平滑做预测。每一步都有坑，但每一步也都有解法。
好了，这一章就到这里。记住：时间序列分析不是玄学，是数学。多动手画图、多跑代码、多对比模型，你很快就能上手。