3、时间序列分析基础
时间序列分析，说白了就是跟「带时间戳的数据」打交道。我刚开始做运维那会儿，觉得这玩意儿就是画个折线图看看趋势。后来被线上故障狠狠教育了一次，才发现——嗯，这里面的门道深着呢。
今天咱们就把这块硬骨头啃下来。我会结合自己踩过的坑，把时间序列的核心概念、平稳性检验、自相关函数、以及经典分解模型，一次性讲透。
3.1 时间序列到底是什么？
先别急着背定义。你想想看，服务器CPU使用率、磁盘IO、网络流量、API响应时间……这些数据是不是每隔几秒、几分钟就采集一次？
对，这就是时间序列——按时间顺序排列的观测值集合。
核心三要素：
- 时间戳：记录数据采集的时刻
- 观测值：具体数值（比如CPU 75%）
- 频率：采集间隔（比如5秒一次）
我个人习惯把时间序列分成两类：
- 单变量时间序列：只有一个指标，比如只看CPU使用率
- 多变量时间序列：多个指标一起看，比如CPU+内存+磁盘IO
我在项目中遇到过最典型的场景：某电商大促期间，监控系统采集了上千个时间序列。结果因为某个指标没处理好，导致误报警刷屏。所以，理解时间序列的底层逻辑，是搭建智能运维系统的第一步。
3.2 平稳性检验——为什么它这么重要？
很多AI预测模型，比如ARIMA，都要求数据是「平稳」的。什么叫平稳？说白了就是：
- 均值不随时间变化
- 方差不随时间变化
- 自协方差只与时间间隔有关，与具体时间点无关
你可能会问：「我服务器CPU使用率明明在波动，怎么可能平稳？」
嗯，这里要注意：平稳不是「不变」，而是「统计性质稳定」。比如CPU在30%-70%之间随机波动，但长期均值一直维持在50%左右，这就是平稳。
3.2.1 如何检验平稳性？
最常用的方法是ADF检验（Augmented Dickey-Fuller Test）。我直接上代码：
import pandas as pd
from statsmodels.tsa.stattools import adfuller
# 假设df是时间序列DataFrame，'value'列是观测值
result = adfuller(df['value'].dropna())
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('数据不平稳，需要差分处理')
避坑指南：我曾经因为数据里有个明显的周期性波动（比如每天凌晨的定时任务导致CPU飙升），ADF检验一直通不过。后来才发现，需要先做「季节差分」或者「分解」再检验。别傻乎乎地直接差分到平稳为止，那样会丢失业务含义。
3.2.2 不平稳怎么办？
常见处理手段：
- 差分：一阶差分、二阶差分
- 对数变换：消除方差随时间增大的问题
- 季节差分：针对周期性数据
- 分解后去除趋势/季节成分
3.3 自相关与偏自相关函数
这两个概念，我刚开始学的时候也觉得绕。后来用一句话就记住了：
- 自相关函数（ACF）：当前值和过去值之间的相关性
- 偏自相关函数（PACF）：剔除中间变量影响后，当前值和过去值之间的「纯」相关性
举个例子：你今天CPU飙高，可能跟5分钟前的CPU有关，也可能跟10分钟前的有关。ACF告诉你「有关系」，PACF告诉你「到底是谁直接导致的」。
3.3.1 怎么看ACF和PACF图？
我习惯用statsmodels画图：
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(df['value'].dropna(), lags=40, ax=ax1)
plot_pacf(df['value'].dropna(), lags=40, ax=ax2)
plt.show()
实战经验：
- ACF图拖尾（缓慢衰减）→ 数据可能不平稳
- ACF图截尾（突然掉到置信区间内）→ 适合用MA模型
- PACF图截尾 → 适合用AR模型
- 两者都拖尾 → 可能需要ARIMA模型
我记得有一次做磁盘IO预测，ACF图显示滞后24阶还有显著相关性。一开始没在意，结果模型预测效果很差。后来发现是业务有「每日结算」的周期性任务。加上季节差分后，ACF图就正常了。
3.4 经典分解模型
时间序列分解，就是把一个序列拆成三部分：
- 趋势成分（Trend）：长期上升或下降
- 季节成分（Seasonal）：固定周期的波动
- 残差成分（Residual）：随机噪声
公式很简单：Y(t) = Trend(t) + Seasonal(t) + Residual(t)（加法模型）
或者：Y(t) = Trend(t) × Seasonal(t) × Residual(t)（乘法模型）
3.4.1 加法模型 vs 乘法模型
| 场景 | 推荐模型 | 举例 |
|---|---|---|
| 季节波动幅度基本不变 | 加法模型 | CPU使用率（波动幅度稳定） |
| 季节波动幅度随趋势变化 | 乘法模型 | 电商交易量（大促期间波动更大） |
3.4.2 用statsmodels做分解
from statsmodels.tsa.seasonal import seasonal_decompose
# 假设数据频率是1小时，周期为24小时
decomposition = seasonal_decompose(df['value'], model='additive', period=24)
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid
# 画图
decomposition.plot()
plt.show()
注意：分解后的残差如果呈现明显的模式（比如还有周期性），说明你的周期参数设置不对。我曾经因为把周期设成24小时，但实际业务周期是7天，结果残差里还藏着明显的周规律。嗯，这个坑我替你们踩过了。
3.5 知识体系总览
下面这张图，是我自己梳理的时间序列分析知识体系。建议你保存下来，每次做预测前看一眼：
3.6 实战中的避坑总结
最后，分享几个我这些年总结的经验：
- 不要盲目追求平稳：有些业务场景，比如交易量持续增长，本身就是非平稳的。强行差分到平稳，反而会丢失业务趋势信息。
- ACF/PACF图要结合业务看：如果某个滞后阶数相关性特别高，先问问自己「这个时间点是不是有定时任务？」
- 分解模型不是万能的：经典分解假设趋势和季节成分是固定的。如果业务模式经常变化（比如促销活动），可以考虑STL分解或者Prophet。
- 残差一定要检查：如果残差还有明显的模式，说明你的模型没捕捉到全部信息。我曾经因为忽略残差分析，导致预测模型上线后频繁误报。
一句话总结：时间序列分析，就是「看数据、找规律、拆成分、建模型」的过程。平稳性检验是门槛，ACF/PACF是工具，分解模型是手段。三者结合，才能为AI故障预测打下坚实基础。
公众号:蓝海资料掘金营，微信deep3321