时间序列分析资源专题

Time Series Analysis Resources

---

📚 核心理论

经典教材

书名	作者	难度	特点
《时间序列分析》	Hamilton	⭐⭐⭐⭐⭐	经典权威，理论深入
《Time Series Analysis and Its Applications》	Shumway & Stoffer	⭐⭐⭐⭐	R 语言实现，应用导向
《Forecasting: Principles and Practice》	Hyndman & Athanasopoulos	⭐⭐⭐	免费在线书，实用性强
《Introductory Time Series with R》	Cowpertwait & Metcalfe	⭐⭐	入门友好

在线阅读： - 《Forecasting: Principles and Practice》: 链接 - 《Time Series Analysis and Its Applications》: 链接

---

🎓 在线课程

系统性课程

课程名称	平台	讲师	链接
Practical Time Series Forecasting	Coursera	Indian School of Business	链接
Time Series Analysis	Coursera	University of Colorado	链接
时间序列分析	学堂在线	清华大学	链接

---

🛠️ 工具库

Python 库

传统统计方法

库名	用途	文档链接
Statsmodels	ARIMA, SARIMA, VAR 等	链接
Prophet	Facebook 时间序列预测	链接
pmdarima	自动 ARIMA 参数选择	链接

深度学习方法

库名	用途	文档链接
Darts	统一的时间序列预测库	链接
GluonTS	AWS 概率时间序列库	链接
Keras-Timeseries	Keras 时间序列	链接
PyTorch Forecasting	PyTorch 预测库	链接

R 包

包名	用途	CRAN 链接
forecast	预测模型	链接
tsibble	时间序列数据框	链接
fable	预测建模框架	链接

---

📊 实战案例

销售预测

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from prophet import Prophet
import matplotlib.pyplot as plt

# 加载销售数据
df = pd.read_csv('sales_data.csv', parse_dates=['date'])
df.set_index('date', inplace=True)

# 方法 1: ARIMA 模型
model_arima = ARIMA(df['sales'], order=(1,1,1))
results_arima = model_arima.fit()
forecast_arima = results_arima.forecast(steps=30)

# 方法 2: Prophet 模型
df_prophet = df.reset_index().rename(columns={'date': 'ds', 'sales': 'y'})
model_prophet = Prophet()
model_prophet.fit(df_prophet)
future = model_prophet.make_future_dataframe(periods=30)
forecast_prophet = model_prophet.predict(future)

# 可视化对比
plt.figure(figsize=(14, 6))
plt.plot(df.index, df['sales'], label='历史数据')
plt.plot(forecast_arima.index, forecast_arima, label='ARIMA 预测', alpha=0.7)
plt.plot(forecast_prophet['ds'], forecast_prophet['yhat'], label='Prophet 预测', alpha=0.7)
plt.legend()
plt.title('销售预测对比')
plt.show()

股票价格预测

import yfinance as yf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 下载股票数据
data = yf.download('AAPL', start='2020-01-01')
prices = data['Close'].values.reshape(-1, 1)

# 数据预处理
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
prices_scaled = scaler.fit_transform(prices)

# 创建 LSTM 输入序列
def create_sequences(data, seq_length):
    sequences = []
    labels = []
    for i in range(len(data) - seq_length):
        sequences.append(data[i:i+seq_length])
        labels.append(data[i+seq_length])
    return np.array(sequences), np.array(labels)

seq_length = 60
X, y = create_sequences(prices_scaled, seq_length)

# 构建 LSTM 模型
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(seq_length, 1)),
    LSTM(50),
    Dense(1)
])

model.compile(optimizer='adam', loss='mse')
model.fit(X, y, epochs=20, batch_size=32)

# 预测
last_sequence = prices_scaled[-seq_length:]
prediction = model.predict(last_sequence.reshape(1, seq_length, 1))
predicted_price = scaler.inverse_transform(prediction)
print(f"预测明日股价：${predicted_price[0][0]:.2f}")

---

📖 方法论

ARIMA 建模流程

graph LR
    A[数据可视化] --> B[平稳性检验]
    B --> C[差分处理]
    C --> D[识别 p,q 参数]
    D --> E[模型拟合]
    E --> F[残差诊断]
    F --> G[模型优化]
    G --> H[预测]

模型选择指南

数据特征	推荐模型	理由
趋势 + 季节	SARIMA, Prophet	可处理季节性
非线性关系	LSTM, GRU	神经网络拟合能力强
多变量预测	VAR, Prophet	支持协变量
长序列依赖	Transformer, LSTM	捕捉长期依赖
概率预测	DeepAR, Prophet	提供置信区间

---

🔍 常见问题

Q1: 如何判断时间序列是否平稳？

A: 使用 ADF 检验（Augmented Dickey-Fuller Test）

from statsmodels.tsa.stattools import adfuller

result = adfuller(series)
print(f'ADF Statistic: {result[0]:.4f}')
print(f'p-value: {result[1]:.4f}')
if result[1] <= 0.05:
    print("序列平稳")
else:
    print("序列不平稳，需要差分")

Q2: 如何选择 ARIMA 参数？

A: 使用 ACF 和 PACF 图

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
plot_acf(series, ax=ax1, lags=40)
plot_pacf(series, ax=ax2, lags=40)
plt.show()

# 或使用自动选择
from pmdarima import auto_arima

model = auto_arima(series, seasonal=True, 
                   start_p=0, max_p=5,
                   start_q=0, max_q=5,
                   trace=True)
print(model.order)

Q3: LSTM 适合什么样的时间序列？

A: LSTM 适合以下场景： - 长期依赖关系 - 非线性模式 - 大量历史数据 - 多变量输入

不适合： - 数据量小（<1000 个观测） - 强季节性（用 SARIMA 更好） - 需要可解释性

---

📈 评估指标

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np

def evaluate_forecast(actual, predicted):
    """评估预测效果"""
    mae = mean_absolute_error(actual, predicted)
    rmse = np.sqrt(mean_squared_error(actual, predicted))
    mape = np.mean(np.abs((actual - predicted) / actual)) * 100

    print(f"MAE: {mae:.2f}")
    print(f"RMSE: {rmse:.2f}")
    print(f"MAPE: {mape:.2f}%")

    return {'MAE': mae, 'RMSE': rmse, 'MAPE': mape}

指标说明

指标	公式	特点
MAE	平均绝对误差	鲁棒性好
RMSE	均方根误差	惩罚大误差
MAPE	平均绝对百分比误差	相对误差，易解读
ACF	自相关函数	残差诊断

---

🔗 更多资源

数据集

• Monash Time Series Repository
• UCR Time Series Archive
• M3 Competition Data

博客与教程

• Hyndman's Blog - 预测学大师
• Towards Data Science - Time Series
• Machine Learning Mastery

---

最后更新: 2026-06-01