4、时间序列基础：什么是时间序列？平稳性、自相关、偏自相关、白噪声检验

各位同学，欢迎来到第四章。说实话，时间序列这块内容，是咱们做功率预测的「地基」。地基没打好，上面盖的楼再漂亮也得塌。我见过太多新手，上来就扔给模型一堆数据，结果预测出来的曲线跟心电图似的，完全没法用。

为什么会这样？说白了，就是没搞懂时间序列的基本性质。今天咱们就把这几个核心概念掰开揉碎了讲清楚。

4.1 什么是时间序列？

时间序列，听着挺唬人，其实很简单——就是按时间顺序排列的一组数据点。比如你家智能电表每15分钟记录一次的功率值，这就是一个典型的时间序列。

我个人的习惯是，拿到任何时间序列数据，第一件事不是建模，而是先画图。把数据按时间轴画出来，看看趋势、周期、异常值。这一步花不了几分钟，但能帮你避开很多坑。

举个例子，光伏功率数据：白天高、晚上低，这是日周期性；夏天高、冬天低，这是年季节性。如果你不把这些成分拆解出来，模型就会学得稀里糊涂。

4.2 平稳性——时间序列的「定海神针」

平稳性，是时间序列分析里绕不开的概念。什么叫平稳？简单说就是：数据的统计性质不随时间变化。

具体来说，平稳时间序列的均值、方差是常数，自协方差只跟时间间隔有关，跟具体时间点无关。

你想想看，如果数据一会儿均值是100，一会儿均值是1000，模型怎么学？它根本找不到规律。所以，大多数时间序列模型都要求数据是平稳的。

怎么判断数据是否平稳？最常用的方法是ADF检验（Augmented Dickey-Fuller test）。它的原假设是「序列存在单位根，即非平稳」。如果p值小于0.05，就拒绝原假设，认为序列是平稳的。

# 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]:.4f}')
print(f'p值: {result[1]:.4f}')

if result[1] < 0.05:
    print('序列平稳，可以继续建模')
else:
    print('序列非平稳，需要进行差分处理')

我曾经接手过一个风电功率预测项目，数据看起来挺规整，但模型就是收敛不了。折腾了两天，最后发现是数据有趋势项，没做差分。嗯，从那以后，我每次建模前都会先跑一遍ADF检验。

4.3 自相关与偏自相关——找到数据自己的「记忆」

时间序列有个特点：当前时刻的值，往往跟过去的值有关。比如今天的功率，跟昨天的功率肯定有相关性。这种相关性，就是自相关。

自相关函数（ACF）衡量的是当前值与其滞后值之间的相关性。滞后1阶，就是看t时刻和t-1时刻的相关性；滞后2阶，就是看t时刻和t-2时刻的相关性，以此类推。

偏自相关函数（PACF）则更「纯粹」一些——它衡量的是剔除了中间滞后项影响之后，当前值与特定滞后值之间的相关性。

这两个函数有什么用？说白了，它们是帮我们确定ARIMA模型阶数的「指南针」。

# Python代码示例：绘制ACF和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, lags=20, ax=ax1)
plot_pacf(data, lags=20, ax=ax2)
plt.show()

我记得有次做短期负荷预测，ACF图显示在滞后24阶处有个明显的峰值——这对应着日周期性。如果不考虑这个，模型就会漏掉最重要的特征。

4.4 白噪声检验——你的数据是「随机噪音」吗？

白噪声，听起来很专业，其实就是纯随机序列。它的特点是：均值接近0，方差恒定，且不同时刻的值之间没有相关性。

为什么要检验白噪声？因为如果数据本身就是白噪声，那任何模型都预测不了——就像你无法预测下一枚硬币是正面还是反面。

常用的检验方法是Ljung-Box检验。原假设是「序列是白噪声」。如果p值小于0.05，就拒绝原假设，认为序列存在自相关结构，值得建模。

# Python代码示例：Ljung-Box检验
from statsmodels.stats.diagnostic import acorr_ljungbox

result = acorr_ljungbox(data, lags=[10, 20, 30], return_df=True)
print(result)

我曾经犯过一个错误：模型训练完，看预测效果还行，就没检查残差。结果上线后，遇到极端天气，预测值直接崩了。后来一查，残差里还有明显的周期性成分没被捕捉到。从那以后，我养成了检查残差的习惯。

4.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个「检查清单」——拿到时间序列数据后，按这个流程走一遍，基本不会出大问题。

4.6 本章小结

好了，咱们来捋一捋今天的内容：

• 时间序列就是按时间排序的数据，核心成分是趋势、季节性和随机波动
• 平稳性是建模的前提，用ADF检验来判断，非平稳就做差分
• ACF和PACF帮我们找到数据内部的「记忆结构」，指导模型选阶
• 白噪声检验用来验证模型是否充分捕捉了数据中的信息

这些概念，你可能会觉得有点抽象。但相信我，等你真正动手做几个项目，就会发现它们就像吃饭喝水一样自然。下一章，咱们会把这些知识串起来，开始搭建第一个预测模型。

---

公众号:蓝海资料掘金营，微信deep3321