4. 时间序列预测基础：传统方法（ARIMA、Prophet）与深度学习方法的对比

各位同学，今天我们来聊聊时间序列预测。说实话，这个领域我摸爬滚打了快十年。从最早用Excel拉趋势线，到后来跑ARIMA模型调参调到怀疑人生，再到现在用Transformer做预测——每一步都踩过坑。

这一章，我带你看看传统方法和深度学习方法到底差在哪。不是要分个高下，而是让你知道：什么场景该用什么武器。

4.1 时间序列预测的核心问题

先问个问题：时间序列预测到底在预测什么？

说白了，就是根据过去的数据，猜未来的值。但难点在于——时间序列有各种“脾气”。

• 趋势：比如全球气温逐年上升，这是长期走向
• 季节性：比如夏天用电量高，冬天低，每年重复
• 周期性：比如经济危机每十年左右来一次，但不固定
• 噪声：随机波动，比如某天突然下暴雨导致气温骤降

传统方法和深度学习方法，处理这些成分的方式完全不同。我个人的习惯是：先看数据量，再看复杂度，最后选模型。

4.2 传统方法：ARIMA

ARIMA，全称是自回归积分滑动平均模型。名字听着吓人，其实逻辑很简单。

它由三部分组成：

• AR（自回归）：用过去的值预测当前值。比如今天的气温跟昨天有关
• I（差分）：把非平稳数据变平稳。比如把每天的销售额变成“今天比昨天多卖了多少”
• MA（滑动平均）：用过去的预测误差来修正当前预测

我记得刚入行时，领导扔给我一组销售数据，让我预测下个月销量。我二话不说就上了ARIMA。结果调参调了三天，p、d、q三个参数怎么组合都不对。

后来我才明白——ARIMA对数据要求很苛刻。它假设数据是线性的、平稳的、没有缺失值。现实中的数据，哪有这么乖？

代码示例很简单，用statsmodels库几行就搞定：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 假设data是pandas Series，索引为日期
model = ARIMA(data, order=(2, 1, 2))  # p=2, d=1, q=2
model_fit = model.fit()
forecast = model_fit.forecast(steps=7)  # 预测未来7天
print(forecast)

嗯，这里要注意：order参数怎么选？我建议用AIC或BIC准则自动搜索，别手动试。我曾经手动试了50组参数，最后发现自动搜索的结果更好——白费功夫。

4.3 传统方法：Prophet

Prophet是Facebook开源的时间序列预测工具。说实话，我第一次用的时候觉得“这也太简单了吧”。

它的核心思想是把时间序列分解成三部分：

• 趋势：用分段线性或逻辑增长曲线拟合
• 季节性：用傅里叶级数模拟年、周、日周期
• 节假日效应：用户自定义特殊日期的影响

Prophet最大的优点是——它对缺失值和异常值很鲁棒。我在项目中遇到过数据采集器坏了三天，导致连续三天数据为0。ARIMA直接崩了，但Prophet照样能跑出合理结果。

代码示例：

from prophet import Prophet

# 数据格式要求：ds为日期列，y为数值列
df = pd.DataFrame({'ds': dates, 'y': values})
model = Prophet()
model.fit(df)

future = model.make_future_dataframe(periods=30)  # 预测未来30天
forecast = model.predict(future)
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']])

你想想看，Prophet只需要两列数据，连特征工程都不用做。但它的缺点也很明显——对复杂非线性关系拟合能力有限。说白了，它还是基于“分解+回归”的思路，不是真正的深度学习。

4.4 深度学习方法：LSTM与Transformer

好了，终于到深度学习了。为什么需要深度学习？因为现实中的时间序列往往是非线性的、高维的、长依赖的。

举个例子：预测未来一周的天气，不仅需要过去一周的气温，还需要气压、湿度、风速等多个变量。传统方法很难处理这种多变量输入。

LSTM（长短期记忆网络）：

LSTM是RNN的变体，专门解决“长期依赖”问题。它通过三个门（遗忘门、输入门、输出门）来控制信息的流动。

我记得第一次用LSTM做气象预测时，模型死活不收敛。后来发现是数据没归一化——气象数据的量级差异太大，气温是几十度，气压是几千百帕。归一化之后，模型立马就活了。

import torch
import torch.nn as nn

class LSTMPredictor(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers):
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, 1)
    
    def forward(self, x):
        out, _ = self.lstm(x)
        out = self.fc(out[:, -1, :])  # 取最后一个时间步
        return out

Transformer：

近年来，Transformer在时间序列预测上表现越来越强。它的核心是自注意力机制，能捕捉任意两个时间点之间的关系。

为什么Transformer比LSTM强？说白了，LSTM是“顺序处理”，必须一步步往后传。Transformer是“并行处理”，一眼看遍所有时间点。对于长序列（比如预测未来30天），Transformer的优势非常明显。

4.5 对比总结：一张表看懂

维度	ARIMA	Prophet	LSTM	Transformer
数据量要求	低（50-200点）	低（100-1000点）	中（1000-10万点）	高（1万点以上）
非线性能力	弱	中	强	很强
多变量支持	不支持	有限（需额外回归）	支持	支持
长序列预测	差	中	中	强
可解释性	高	高	低	低
训练时间	秒级	秒级	分钟级	小时级
典型场景	短期气温预测	电商销量预测	风速、负荷预测	长期气象预报

4.6 知识体系图：如何选模型？

下面这张图是我自己总结的选型流程。每次做项目前，我都会走一遍这个逻辑。

4.7 实战建议：别急着上深度学习

最后，我想说几句掏心窝子的话。

很多同学一上来就想用LSTM、Transformer，觉得传统方法“太low”。但我在项目中见过太多次——ARIMA跑出来的结果比LSTM还好，而且训练只要几秒钟。

为什么会这样？因为深度学习需要大量数据。如果你的数据只有200条，LSTM就是在“用大炮打蚊子”，不仅打不准，还容易过拟合。

记住：在工业界，稳定性和可解释性往往比精度更重要。你想想看，如果领导问你“为什么预测明天会下雨”，你能说“因为神经网络自己学的”吗？但如果你用Prophet，你可以说“因为过去五年同一天都下雨”——这就是传统方法的优势。

---

公众号:蓝海资料掘金营，微信deep3321