时序数据基础：时间序列的定义、平稳性与非平稳性、自相关与偏自相关、趋势与季节性分解
各位同学好，我是你们这门课的主讲。今天咱们来聊聊时序数据的基础。说实话，这部分内容看着有点理论，但你要是真搞懂了，后面做预测模型会顺手很多。我当年刚入行时，就是没重视这些基础，结果模型跑出来一塌糊涂，后来回头补课才明白——地基不牢，房子盖不高。
1. 时间序列到底是什么？
先问个问题：你手机里每天记录的步数，算不算时间序列？当然算。时间序列，说白了就是按照时间顺序排列的一组数据点。比如股票价格、每小时的气温、工厂里传感器的电流值——这些都是。
我个人习惯把时间序列分成两类：
- 连续时间序列：理论上每个时刻都有值，比如模拟信号。
- 离散时间序列：只在特定时间点采样，比如每5分钟记录一次功率。
咱们做超短期功率预测，绝大多数情况处理的是离散时间序列。采样间隔可能是1分钟、5分钟或者15分钟。嗯，这里要注意：采样间隔的选择会直接影响模型效果，我后面会专门讲。
2. 平稳性与非平稳性——这俩到底啥意思？
平稳性这个概念，我刚开始学的时候也觉得抽象。其实你想想看：如果一个时间序列的统计性质（比如均值、方差）不随时间变化，那它就是平稳的。反过来，如果均值忽高忽低，方差忽大忽小，那就是非平稳。
举个例子：
- 平稳序列：白噪声，比如收音机里的沙沙声。均值始终为0，方差恒定。
- 非平稳序列：股票价格。长期看是上涨趋势，均值一直在变。
我在项目中遇到过最典型的非平稳情况——光伏功率数据。白天有太阳时功率高，晚上为零，均值一天之内波动巨大。这种数据如果不做处理直接建模，预测结果会非常糟糕。
为什么平稳性这么重要？
因为大多数时间序列模型（比如ARIMA）都假设数据是平稳的。非平稳数据会导致模型参数估计不准，预测结果不可靠。说白了，模型会“学歪”。
3. 自相关与偏自相关——数据自己跟自己“聊天”
自相关，就是当前时刻的值与过去某个时刻的值之间的相关性。比如今天下午3点的功率，跟昨天下午3点的功率有没有关系？如果有，那就是存在自相关。
偏自相关呢？它更“纯粹”一些——它衡量的是，在排除了中间时刻的影响之后，当前值与过去某个时刻值的直接相关性。
我画个图帮大家理解：
在实际项目中，我经常用ACF和PACF图来判断模型阶数。比如：
- 如果ACF拖尾、PACF截尾——适合用AR模型
- 如果ACF截尾、PACF拖尾——适合用MA模型
- 如果两者都拖尾——可能需要ARMA模型
小技巧：用Python的statsmodels.graphics.tsaplots库可以快速画出ACF和PACF图。我一般会先看ACF图，如果自相关衰减很慢，那数据大概率是非平稳的，需要先做差分。
4. 趋势与季节性分解——把复杂数据拆开看
时间序列通常可以拆成三部分：
- 趋势（Trend）：长期上升或下降的方向。比如某个地区用电量逐年增长。
- 季节性（Seasonal）：固定周期内的规律波动。比如一天之内用电高峰在晚上。
- 残差（Residual）：去掉趋势和季节性后剩下的随机波动。
我常用的分解方法是STL（Seasonal-Trend decomposition using LOESS）。它比经典分解法更鲁棒，能处理非线性趋势。
来看一段代码示例：
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import STL
# 假设df是包含功率数据的DataFrame，索引为时间
stl = STL(df['power'], period=96) # 96个点一天（15分钟间隔）
result = stl.fit()
# 提取各分量
trend = result.trend
seasonal = result.seasonal
residual = result.resid
# 可视化
fig, axes = plt.subplots(4, 1, figsize=(12, 8))
df['power'].plot(ax=axes[0], title='原始数据')
trend.plot(ax=axes[1], title='趋势')
seasonal.plot(ax=axes[2], title='季节性')
residual.plot(ax=axes[3], title='残差')
plt.tight_layout()
plt.show()避坑指南：我曾经在分解风电功率数据时，把周期设错了。风电的日周期性其实不如光伏明显，因为风速受天气影响更大。如果你发现残差里还有明显的规律，那说明周期参数没选对，或者数据里还有别的周期成分。
5. 知识体系总览
下面这张图总结了本章的核心内容，方便你回顾：
好了，这一章的内容就到这里。记住：平稳性判断是第一步，自相关分析帮你选模型，分解让你看清数据结构。这三板斧练好了，后面建模会轻松很多。