第3章时间序列分析

3. 时间序列分析：平稳性检验、ACF/PACF与ARIMA模型

各位同学，今天我们来啃一块硬骨头——时间序列分析。说实话，我刚入行那会儿，觉得这玩意儿就是一堆数学公式堆砌出来的玄学。直到我在一个园区多能互补项目里，被负荷预测的误差折磨得够呛，才真正意识到：不懂时间序列，你连数据的大门都摸不着。

咱们今天要聊的三个核心：平稳性检验（ADF）、自相关与偏自相关函数（ACF/PACF）、以及ARIMA模型。说白了，就是一套从数据清洗到建模预测的完整流水线。

3.1 平稳性：时间序列的“定海神针”

什么叫平稳？我打个比方。你站在海边看浪，如果浪高基本稳定在一个范围，没有突然涨潮退潮，那就是平稳。如果海啸来了，浪高瞬间翻倍，那就是非平稳。

在数学上，平稳性要求序列的均值、方差、自协方差不随时间变化。为什么要这么严格？因为ARIMA模型本质上是在“学习”数据的统计规律，如果规律本身一直在变，模型就学了个寂寞。

  核心要点： 非平稳数据直接建模，大概率得到“伪回归”——看着拟合得很好，一预测就翻车。

3.1.1 ADF检验：给平稳性“体检”

ADF（Augmented Dickey-Fuller）检验，是我最常用的平稳性检测工具。它的原理不复杂：假设数据存在单位根（非平稳），然后看能不能推翻这个假设。

我个人习惯用Python的statsmodels库，一行代码搞定：

from statsmodels.tsa.stattools import adfuller

# 假设data是你的负荷序列
result = adfuller(data, autolag='AIC')
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
print(f'临界值: {result[4]}')

# 判断逻辑
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： 我曾经在一个光伏出力预测项目里，p值刚好0.051，差一点点就平稳了。当时我偷懒没做差分，结果模型在晴天表现完美，一到阴雨天就崩。后来老老实实做了一阶差分，才稳住。记住：p值小于0.05才算平稳，别卡着边界赌运气。

3.2 ACF与PACF：模型的“指纹识别”

数据平稳了，下一步就是确定ARIMA模型的阶数。这时候ACF和PACF就派上用场了。

ACF（自相关函数）：衡量当前值与过去值的相关性。比如今天负荷和昨天、前天的关系。
PACF（偏自相关函数）：剔除中间变量干扰后，当前值与特定滞后值的“纯”相关性。

怎么用？我总结了一个口诀：

口诀：
ACF拖尾，PACF截尾 → 用AR模型
ACF截尾，PACF拖尾 → 用MA模型
两者都拖尾 → 用ARIMA模型

举个例子。我在一个冷热电三联供项目里，分析建筑负荷的ACF/PACF图：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
plot_acf(data_diff, lags=20, ax=ax1)
plot_pacf(data_diff, lags=20, ax=ax2)
plt.show()

当时我看到ACF在滞后1阶后迅速衰减（截尾），PACF则缓慢下降（拖尾）。嗯，这明显是MA(1)的特征。但实际建模时，我建议你不要完全依赖肉眼判断，结合AIC/BIC准则自动选阶更靠谱。

3.3 ARIMA模型：从原理到实战

ARIMA(p,d,q)三个参数，分别对应：

参数	含义	如何确定
p	自回归阶数	看PACF截尾位置
d	差分阶数	ADF检验确定，通常0或1
q	移动平均阶数	看ACF截尾位置

建模步骤其实就五步，我习惯叫它“五步成诗法”：

可视化：先画图，看趋势、季节性和异常值。
平稳化：ADF检验，不平稳就差分。
定阶：画ACF/PACF，或者用自动搜索（比如pmdarima库）。
拟合：用ARIMA函数训练模型。
诊断：检查残差是否为白噪声。

来看一段完整的代码：

from statsmodels.tsa.arima.model import ARIMA
import pmdarima as pm

# 自动搜索最优参数（强烈推荐）
model = pm.auto_arima(data, seasonal=False, trace=True,
                      error_action='ignore', suppress_warnings=True)
print(model.summary())

# 手动建模
model = ARIMA(data, order=(1, 1, 1))
model_fit = model.fit()
print(model_fit.summary())

# 预测未来24小时
forecast = model_fit.forecast(steps=24)
print('预测结果:', forecast)

注意： 自动搜索虽然方便，但计算量大。我一般先用ACF/PACF缩小搜索范围，比如p和q都限制在0~3之间，再让机器去跑。这样既快又准。

3.4 知识体系总览

为了让你更直观地理解整个流程，我画了一张图：

这张图把整个流程串起来了。你从原始数据出发，先做ADF检验。如果平稳，直接画ACF/PACF定阶；如果不平稳，差分后再回来检验。最后建模、诊断、预测，一气呵成。

我的经验： 在实际的多能互补系统中，负荷数据往往有很强的周期性（比如24小时、7天）。这时候可以考虑季节性ARIMA（SARIMA），效果会好很多。不过那是下一阶段的内容了，今天先把基础打牢。

好了，时间序列分析的核心就这些。记住：平稳性是前提，ACF/PACF是工具，ARIMA是武器。下次你拿到负荷数据，别急着建模，先问问自己：数据平稳了吗？阶数选对了吗？残差检查了吗？

嗯，今天就到这里。代码多跑几遍，你会有感觉的。

📚 课程目录

3. 时间序列分析：平稳性检验、ACF/PACF与ARIMA模型

3.1 平稳性：时间序列的“定海神针”

3.1.1 ADF检验：给平稳性“体检”

3.2 ACF与PACF：模型的“指纹识别”

3.3 ARIMA模型：从原理到实战

3.4 知识体系总览