1. 时序模型基础回顾
在进入经典时序模型的深入探讨之前，我们需要先明确几个基本概念。时序数据（Time Series Data）是指按时间顺序排列的一系列观测值，它存在于我们生活的方方面面——从股票市场的每日收盘价到工厂设备的传感器读数，再到城市每小时的空气质量指数。
时序分析的核心挑战在于处理数据的三个典型特征：
- 趋势性（Trend）：数据长期呈现的上升或下降方向
- 季节性（Seasonality）：固定周期内的重复模式
- 随机性（Randomness）：无法预测的噪声波动
传统统计学方法处理时序问题时，最基础的工具是自相关函数（ACF）和偏自相关函数（PACF）。ACF测量当前值与历史值的相关性，PACF则在控制中间变量的情况下测量直接相关性。这两个函数就像时序分析的"听诊器"，能帮助我们判断数据的记忆长度和潜在模型结构。
提示：在实际项目中，我习惯先绘制ACF/PACF图观察数据特征，这往往比直接套用复杂模型更能抓住问题本质。
2. ARIMA模型家族深度解析
2.1 AR模型：时间依赖的数学表达
自回归模型（AR）的核心思想是用历史值的线性组合预测当前值。一个p阶AR模型（AR(p)）的数学表达为：
X_t = c + Σ(φ_i * X_{t-i}) + ε_t （i=1到p）
其中φ是自回归系数，ε是白噪声。选择p值的黄金法则是观察PACF图的截尾点——当PACF值首次落入置信区间时对应的滞后阶数。
我在金融数据分析中曾遇到一个典型案例：预测某货币对汇率。通过PACF分析发现滞后1阶和5阶都有显著相关性，最终采用AR(5)模型比简单AR(1)的预测误差降低了37%。
2.2 MA模型：噪声结构的巧妙利用
移动平均模型（MA）关注的是历史噪声对当前值的影响。q阶MA模型（MA(q)）的公式为：
X_t = μ + ε_t + Σ(θ_i * ε_{t-i}) （i=1到q）
θ代表移动平均系数。与AR模型相反，MA模型的阶数q应该参考ACF图的截尾位置。在工业设备异常检测中，MA模型对突发性波动的捕捉效果往往优于AR模型。
2.3 ARIMA的完整架构
ARIMA(p,d,q)是AR和MA模型的自然延伸，其中：
- p：自回归项阶数
- d：差分次数（使序列平稳）
- q：移动平均项阶数
构建ARIMA模型的典型流程：
- 通过ADF检验判断平稳性
- 必要时进行差分（d值）
- 观察ACF/PACF确定p,q
- 模型拟合与参数估计
- 残差诊断（应满足白噪声）
注意：过度差分会导致信息损失。我曾见过一个案例，将d从2降为1后模型效果反而提升15%。
3. SARIMA：征服季节性周期
3.1 季节性成分的数学表达
SARIMA(p,d,q)(P,D,Q)_s在ARIMA基础上增加了季节性参数：
- s：季节周期长度（如月度数据s=12）
- P/D/Q：季节性ARIMA参数
其公式较为复杂，以SARIMA(1,1,1)(1,1,1)_12为例：
(1-φB)(1-ΦB^12)∇∇_12 X_t = (1+θB)(1+ΘB^12)ε_t
其中B是滞后算子，∇是差分算子。
3.2 零售业销售预测实战
去年双十一前，我为某电商平台构建了SARIMA模型预测商品需求。关键步骤：
- 识别出明显的周周期（s=7）和年周期（s=365）
- 对原始数据做对数变换稳定方差
- 采用双重季节模型SARIMA(2,1,1)(1,1,1)_7(0,1,1)_365
- 引入外部变量（促销活动标记）
最终该模型在测试集上MAPE达到8.3%，比传统方法提升显著。特别值得注意的是，模型成功捕捉到了"预售期"对正式销售日的虹吸效应。
4. 模型评估与调优策略
4.1 评估指标的选择迷宫
不同场景需要不同的评估标准：
- 点预测：MSE、MAE、MAPE
- 区间预测：覆盖概率、平均区间宽度
- 分类任务：AUC、F1-score
在能源负荷预测项目中，我们发现MAPE在低负荷时段会被异常放大，最终采用sMAPE（对称MAPE）解决了这个问题。
4.2 网格搜索与信息准则
自动化参数搜索的两种主要方法：
- 网格搜索：遍历参数组合，选择验证集最优
- 信息准则：AIC/BIC平衡拟合优度与复杂度
我的经验法则是：样本量>1000时用BIC防止过拟合，小样本用AIC。曾用BIC将某ARIMA模型从(5,2,5)精简到(2,1,2)，预测性能反而提升。
4.3 残差诊断的进阶技巧
优质模型的残差应满足：
- 均值零
- 恒定方差
- 无自相关
建议进行以下检验：
- Ljung-Box检验（自相关）
- Shapiro-Wilk检验（正态性）
- ARCH检验（异方差）
在空气质量预测中，我们发现残差存在条件异方差，引入GARCH模型后解决了这个问题。
5. 现代应用中的挑战与对策
5.1 高频数据的特殊处理
当数据频率达到分钟/秒级时：
- 传统ARIMA计算效率骤降
- 需要考虑微观结构噪声
- 季节周期可能非常长（如日内秒级数据s=86400）
解决方案：
- 使用状态空间模型
- 采用傅里叶项近似长周期
- 考虑降采样策略
5.2 多元时序的建模思路
当存在相关时序变量时：
- VAR模型（向量自回归）
- 格兰杰因果检验
- 动态因子模型
在宏观经济预测中，VAR模型能有效捕捉GDP、CPI、失业率等指标的相互影响。我曾构建一个5变量VAR系统，其预测结果被当地央行用作参考。
5.3 与传统机器学习的结合
提升ARIMA效果的混合方法：
- ARIMA+特征工程：将ARIMA残差作为特征输入XGBoost
- 分层预测：先用ARIMA预测趋势项，再用NN预测残差
- 集成学习：多个ARIMA模型的加权组合
某交通流量预测项目中，ARIMA-LSTM混合模型比单一模型误差降低28%。关键在于合理划分各模型负责的频段——ARIMA处理趋势和季节项，LSTM捕捉非线性残差。