時間序列數據中斜整是什麼

1. 什麼是時間序列分析

時間序列分析(Time series analysis)是一種動態數據處理的統計方法。該方法基於隨機過程理論和數理統計學方法，研究隨機數據序列所遵從的統計規律，以用於解決實際問題。

2. 請問什麼是ASFR時間序列、TFR值

利用按時間順序排列的數據預測未來的方法，是一種常用的。事物的發展變化趨勢會延續到未來，反映在隨機過程理論中就是時間序列的平穩性或准平穩性。准平穩性是指時間序列經過某種數據處理（如一次或多次差分運算）後變為平穩的性質。時間序列有 4種變動因素:①長期趨勢(T)，在整個預測期內事物呈現出漸增或漸減的總傾向；②周期變動(C),以某一時間間隔為周期的周期性變動，如危機和復甦的交替；③季節變動(S)，以一年為周期的周期變動,如服裝行業銷售額的季節性波動；④偶然變動(I),除上述三種情況之外的不規則變動,又稱隨機變動。這4種因素的綜合模式有加法模式、乘法模式和混合模式。若以表示時間序列(＝1，2，3，…，表示采樣時刻)，則加法模式的時間序列是上述4種變動因素的相加,＝(T)＋(C)＋(S)＋(I)，而乘法模式的則是上述4種變動因素的相乘,=(T)×(C)×(S)×(I)。時間序列法分為兩類：①不細分4種變動因素而直接利用時間序列數據建立數學模型，進行預測。②對4種變動因素有側重地進行預處理,從而派生出剔除季節變動法、移動平均法、指數平滑法、自回歸法、時間函數擬合法等具體預測方法。
剔除季節變動法 對於明顯地存在著季節性變動因素的時間序列數據,通常是先剔除季節性因素,找出平穩值和季節性修正系數。在平穩值預測基礎上加以季節性修正，就能獲得計及季節性變動的預測。以服裝業為例,如果1981、1982和 1983年1月份的銷售額分別是40.0、32.9和37.4，平均值為 36.77；三年內總計每月平均為51.18，則可得1月份的三年平均指數為 36.77/51.18＝0.718。若剔除季節性變動因素,則1981、1982和1983年每年1月的平均值分別為40.0/0.718＝55.7;32.9/0.718＝45.8；37.4/0.718＝52.1。依此類推，可求出各年各月的平穩值（見圖[銷售額圖]）。圖中實線為實際銷售值，虛線為剔除季節變動後的平穩值。此外也可按每年12個月的平均值作為各年平穩值的基準，按乘法模式或加法模式提取出季節性變動分量，按照各年基準值預測未來年基準值，然後計及季節變動分量加以修正，即得未來預測值。
移動平均法 又稱滑動平均法，對於存在著偶然變動因素的較為平穩的時間序列，可以採用這種方法來剔除偶然變動因素，以對平穩的時間序列作出預測。基本方法是利用緊挨著預測期前的一段時間序列數據（如有個數據），按某種規則求平均值,作為預測值。當預測期在時間上移動時,所採用的時間序列數據（個數據的個數不變）也隨著在時間上移動。其中一次 元移動法適用於接近平穩的恆定過程；二次 元移動平均法適用於線性增長或衰減過程。
指數平滑法 加權移動平均法的一種（見）。
自回歸法 利用緊挨著預測期前的一段時間序列數據，分別乘上某個系數後疊加求得，用以剔除偶然變動因素。
時間函數擬合法 變數變化規律符合某一時間函數，利用采樣數據進行擬合，確定參數，而後外推預測。其中常用的為多項式形式。
參考書目
N.T.Thomopoulos著，劉涌康等譯:《實用預測方法》，上海科技文獻出版社，上海，1980。(N.T.Thomopoulos, Applied Forecastin Methods, Prentice-Hall,Engl-ewood Cliffs,1980.

3. 時間序列分析——DTW演算法詳解

DTW（dynamic time warping）是時間序列分析中一個很早（1994年，論文的年紀比我都大）也很經典的演算法了。它其實借用的是經典演算法的「動態規劃」的思想。一般來說，時間序列數據如果要做分類，那麼大體可以將實驗步驟分為：數據預處理（去噪或數據增強），數據表徵，選取分類器（機器學習演算法還需要選取合適的距離計算方法）。雖然DTW演算法也給出了路徑，但我實在想不出如何利用path，因此我更傾向於將DTW演算法歸為距離計算方法。

第一部分Introction不再介紹。直接介紹第二部分：Dynamic Time Warping

作者首先提到，dtw演算法成功應用在了語音識別領域——研究者將現實中一個單詞的發音（其實就是一條時間序列）與模板庫中單詞的發音去一個個匹配。怎麼衡量匹配程度的大小呢？

4. 對時間序列的分析方法有哪幾種

1、 時間序列 取自某一個隨機過程，如果此隨機過程的隨機特徵不隨時間變化，則我們稱過程是平穩的；假如該隨機過程的隨機特徵隨時間變化，則稱過程是非平穩的。 2、 寬平穩時間序列的定義：設時間序列 ，對於任意的 , 和 ，滿足： 則稱 寬平穩。 3、Box-Jenkins方法是一種理論較為完善的統計預測方法。他們的工作為實際工作者提供了對時間序列進行分析、預測，以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法，並且具有統計上的完善性和牢固的理論基礎。 4、ARMA模型三種基本形式：自回歸模型（AR：Auto-regressive），移動平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自回歸模型AR(p)：如果時間序列 滿足 其中 是獨立同分布的隨機變數序列，且滿足： ， 則稱時間序列 服從p階自回歸模型。或者記為 。 平穩條件：滯後運算元多項式 的根均在單位圓外，即 的根大於1。 （2） 移動平均模型MA(q)：如果時間序列 滿足 則稱時間序列 服從q階移動平均模型。或者記為 。 平穩條件：任何條件下都平穩。 （3） ARMA(p,q)模型：如果時間序列 滿足 則稱時間序列 服從(p,q)階自回歸移動平均模型。或者記為 。 特殊情況：q=0,模型即為AR(p)，p=0, 模型即為MA(q)。 二、時間序列的自相關分析 1、自相關分析法是進行時間序列分析的有效方法，它簡單易行、較為直觀，根據繪制的自相關分析圖和偏自相關分析圖，我們可以初步地識別平穩序列的模型類型和模型階數。利用自相關分析法可以測定時間序列的隨機性和平穩性，以及時間序列的季節性。 2、自相關函數的定義：滯後期為k的自協方差函數為： ，則 的自相關函數為： ，其中 。當序列平穩時，自相關函數可寫為： 。 3、 樣本自相關函數為： ，其中 ，它可以說明不同時期的數據之間的相關程度，其取值范圍在-1到1之間，值越接近於1，說明時間序列的自相關程度越高。 4、 樣本的偏自相關函數： 其中， 。 5、 時間序列的隨機性，是指時間序列各項之間沒有相關關系的特徵。使用自相關分析圖判斷時間序列的隨機性，一般給出如下准則： ①若時間序列的自相關函數基本上都落入置信區間，則該時間序列具有隨機性； ②若較多自相關函數落在置信區間之外，則認為該時間序列不具有隨機性。 6、 判斷時間序列是否平穩，是一項很重要的工作。運用自相關分析圖判定時間序列平穩性的准則是：①若時間序列的自相關函數 在k>3時都落入置信區間，且逐漸趨於零，則該時間序列具有平穩性；②若時間序列的自相關函數更多地落在置信區間外面，則該時間序列就不具有平穩性。 7、 ARMA模型的自相關分析 AR(p)模型的偏自相關函數 是以p步截尾的，自相關函數拖尾。MA(q)模型的自相關函數具有q步截尾性，偏自相關函數拖尾。這兩個性質可以分別用來識別自回歸模型和移動平均模型的階數。ARMA(p,q)模型的自相關函數和偏相關函數都是拖尾的。 三、單位根檢驗和協整檢驗 1、單位根檢驗 ①利用迪基—福勒檢驗（ Dickey-Fuller Test）和菲利普斯—佩榮檢驗（Philips-Perron Test）,我們也可以測定時間序列的隨機性，這是在計量經濟學中非常重要的兩種單位根檢驗方法，與前者不同的事，後一個檢驗方法主要應用於一階自回歸模型的殘差不是白雜訊，而且存在自相關的情況。 ②隨機游動 如果在一個隨機過程中， 的每一次變化均來自於一個均值為零的獨立同分布，即隨機過程 滿足： ， ，其中 獨立同分布，並且： ， 稱這個隨機過程是隨機游動。它是一個非平穩過程。 ③單位根過程 設隨機過程 滿足： ， ，其中 ， 為一個平穩過程並且 ，，。 2、協整關系 如果兩個或多個非平穩的時間序列，其某個現性組合後的序列呈平穩性，這樣的時間序列間就被稱為有協整關系存在。這是一個很重要的概念，我們利用Engle-Granger兩步協整檢驗法和J 很高興回答樓主的問題 如有錯誤請見諒

5. 時間序列(time series)系列1—簡介

筆者在工作中，接觸到了客流數據，網路質量數據等，零零散散的對時間序列分析方法進行了學習和實踐。
在平時的工作中，大多數公司都會有很多時序數據，也都離不開時序數據的挖掘。
所以現在整理分享出來，忘大家批評指正。

時間序列數據（time series data）是在不同時間上收集到的數據，用於描述現象隨時間變化的情況。
時間序列是一種典型的數據，具有隨時間變化的特徵。在大多數場景中，都能見到的一種數據類型。
如客流數據，股票數據，銷售額數據，網路日誌，某些KPI指標等等內容。

一般情況下,時間序列數據可以分解為3個部分，如下圖所示：

首先我們要有個目標，想通過時間序列數據完成什麼樣的目標，短期、中期、長期預測。然後需要盡可能的收集時間序列數據，數據越多，能夠發現更多數據特徵，預測會更准確。時間序列需要對數據中的缺失、異常、范圍等進行處理。
常見的時間序列數據預測方法，筆者主要總結一下幾種：

6. 簡述時間序列的構成要素

構成要素：長期趨勢，季節變動，循環變動，不規則變動。長期趨勢（ T ）現象在較長時期內受某種根本性因素作用而形成的總的變動趨勢；季節變動（ S ）現象在一年內隨著季節的變化而發生的有規律的周期性變動；

循環變動（ C ）現象以若干年為周期所呈現出的波浪起伏形態的有規律的變動；不規則變動（I ）是一種無規律可循的變動，包括嚴格的隨機變動和不規則的突發性影響很大的變動兩種類型。根據觀察時間的不同，時間序列中的時間可以是年份、季度、月份或其他任何時間形式。

(6)時間序列數據中斜整是什麼擴展閱讀

特徵：時間序列分析法是根據過去的變化趨勢預測未來的發展,它的前提是假定事物的過去延續到未來。在一般情況下,時間序列分析法對於短、近期預測比較顯著,但如延伸到更遠的將來,就會出現很大的局限性,導致預測值偏離實際較大而使決策失誤。

時間序列中的每個觀察值大小,是影響變化的各種不同因素在同一時刻發生作用的綜合結果。從這些影響因素發生作用的大小和方向變化的時間特性來看,這些因素造成的時間序列數據的變動分為四種類型。

7. 時間序列是研究什麼的

時間序列分析

在生產和科學研究中，對某一個或一組變數x(t)進行觀察測量，將在一系列時刻t1, t2, …, tn (t為自變數且t1<t2<…< tn ) 所得到的離散數字組成序列集合x(t1), x(t2), …, x(tn)，我們稱之為時間序列，這種有時間意義的序列也稱為動態數據。這樣的動態數據在自然、經濟及社會等領域都是很常見的。如在一定生態條件下，動植物種群數量逐月或逐年的消長過程、某證券交易所每天的收盤指數、每個月的GNP、失業人數或物價指數等等。

時間序列分析是根據系統觀測得到的時間序列數據，通過曲線擬合和參數估計來建立數學模型的理論和方法。它一般採用曲線擬合和參數估計方法（如非線性最小二乘法）進行。時間序列分析常用在國民經濟宏觀控制、區域綜合發展規劃、企業經營管理、市場潛量預測、氣象預報、水文預報、地震前兆預報、農作物病蟲災害預報、環境污染控制、生態平衡、天文學和海洋學等方面。

時間序列建模基本步驟是：①用觀測、調查、統計、抽樣等方法取得被觀測系統時間序列動態數據。②根據動態數據作相關圖，進行相關分析，求自相關函數。相關圖能顯示出變化的趨勢和周期，並能發現跳點和拐點。跳點是指與其他數據不一致的觀測值。如果跳點是正確的觀測值,在建模時應考慮進去,如果是反常現象，則應把跳點調整到期望值。拐點則是指時間序列從上升趨勢突然變為下降趨勢的點。如果存在拐點，則在建模時必須用不同的模型去分段擬合該時間序列，例如採用門限回歸模型。③辨識合適的隨機模型,進行曲線擬合,即用通用隨機模型去擬合時間序列的觀測數據。對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。對於平穩時間序列，可用通用ARMA模型（自回歸滑動平均模型）及其特殊情況的自回歸模型、滑動平均模型或組合-ARMA模型等來進行擬合。當觀測值多於50個時一般都採用ARMA模型。對於非平穩時間序列則要先將觀測到的時間序列進行差分運算，化為平穩時間序列，再用適當模型去擬合這個差分序列。

時間序列分析主要用於：①系統描述。根據對系統進行觀測得到的時間序列數據，用曲線擬合方法對系統進行客觀的描述。②系統分析。當觀測值取自兩個以上變數時，可用一個時間序列中的變化去說明另一個時間序列中的變化，從而深入了解給定時間序列產生的機理。③預測未來。一般用ARMA模型擬合時間序列，預測該時間序列未來值。④決策和控制。根據時間序列模型可調整輸入變數使系統發展過程保持在目標值上，即預測到過程要偏離目標時便可進行必要的控制。

DPS數據處理系統提供給用戶一套較完整的時間序列建模分析、進行預測預報的工具，包括平穩無趨勢時間序列分析預測、有趨勢的時間序列預測、具季節性周期的時間序列預測以及差分自回歸滑動平均(ARIMA)建模分析、預測等時間序列分析和建模技術。

8. 幾種典型的時間序列及序列的運算

一個連續時間信號，只要滿足采樣定理，就可以用離散采樣完全代表這個連續時間信號。采樣可以通過人工來完成，例如一條幾何曲線;也可以本身就是離散信號，例如一組實驗數據;還可以通過前面提到過的采樣器來完成。一般采樣是等時間間隔的，因此采樣以後，時間間隔Δt就沒有什麼重要意義了。采樣數據可以存放在計算機的存儲器中，隨時取用處理，只有在需要將數字信號還原為連續信號時，在數-模轉換器中，才有必要重新將它們排列在等時間的間隔上。因此，對於處理離散時間信號來說，采樣間隔Δt並沒有什麼重要意義，可以用時間序列x(n)表示。其中n=t/Δt稱為時間信號。用圖4-4-1表示。

在數學上，則將時間序列表示成

物探數字信號分析與處理技術

x(n)中的n=0，±1，±2，…是整數，表示所在時間序號的采樣值。當n<0時，x(n)=0，表示一個因果時間序列。

兩個時間序列的和是兩個時間序列在同一采樣序號的采樣值之和組成的序列(圖4-4-1，圖4-4-2)，例如

圖4-4-1 序列表示法(1)

圖4-4-2 序列表示法(2)

物探數字信號分析與處理技術

兩個時間序列的積，則是兩個時間序列在同一采樣序號的采樣值之積組成的序列，例如

物探數字信號分析與處理技術

一個時間序列的延時，則是這個時間序列的序號向後順延的結果組成的序列，例如

物探數字信號分析與處理技術

表示時間序列w(n)=x(n-m)是原時間序列x(n)的序號向後移m位所組成的新序列。如圖4-4-3(b)所示。

圖4-4-3 序列移位

反之，一個時間序列的超前，則是這個時間序號向前順延的結果所組成的序列，見圖4-4-3(c)。

v(n)=x(n+m)={x(0)，x(1)，x(2)，…x(m-1)，x(m)，x(m+1)，…}

1.幾種常用的典型時間序列

(1)單位脈沖序列

物探數字信號分析與處理技術

見圖4-4-4需要說明的是，它與連續信號δ(t)的定義不同:在連續信號中，δ(t)是一種廣義函數，它是面積為1的方波當其寬度為零時的一種極限，這時其幅值在t等於零時為無窮;在t≠0時為零，但極限的面積等於1。在采樣信號中，因為是理想采樣，實際采樣總是有一定寬度τ的，所以在理想采樣中的脈沖面積實際上是1，所以有式(4-4-1)。它表示一個采樣脈沖的面積，是一個有限值。

圖4-4-4 δ(n)序列

圖4-4-5 u(n)序列

(2)單位階躍序列

物探數字信號分析與處理技術

見圖4-4-5。顯然，u(n)是一系列δ(n)之和，即

物探數字信號分析與處理技術

反之，δ(n)也可以用u(n)表示出來:

物探數字信號分析與處理技術

(3)矩形序列

物探數字信號分析與處理技術

見圖4-4-6，顯然，矩形序列

物探數字信號分析與處理技術

(4)指數序列

物探數字信號分析與處理技術

見圖4-4-7，式(4-4-7)亦可寫成

物探數字信號分析與處理技術

圖4-4-6 R(n)序列

圖4-4-7 aⁿu(n)序列

當|a≥1|時是發散的，|a|<1時是收斂的，當a為負值時是擺動的，如圖4-4-7所示。

(5)正弦序列

物探數字信號分析與處理技術

見圖4-4-8。其中ω₀為數字頻率。因為正弦序列可以認為是正弦信號的采樣，即對連

續正弦信號sinΩ₀t的采樣，采樣後的信號記為sinΩ₀nΔt，於是有

物探數字信號分析與處理技術

其中Δt是采樣間隔，它是采樣頻率f_n的倒數，即

物探數字信號分析與處理技術

比較等式兩端得

物探數字信號分析與處理技術

它是模擬頻率用采樣頻率歸一化的結果，稱為數字頻率。與正弦序列相對應，也可以有餘弦序列

物探數字信號分析與處理技術

在連續信號中，正弦或餘弦函數總是周期函數，其周期為

物探數字信號分析與處理技術

圖4-4-8 sinnω₀序列

但在離散時間序列中，正弦或餘弦序列並不一定是周期序列:當序列的頻率ω₀為π的倍數時，這個序列是周期的;當序列的頻率ω₀不為π的倍數時，則不是周期的。例如，當正弦序列的頻率ω₀等於π/4時，根據周期函數的性質，應有

物探數字信號分析與處理技術

於是可以得出，這個正弦序列的周期為N=8。如果正弦序列頻率ω₀不是π的倍數，例如ω₀等於0.5，則有

物探數字信號分析與處理技術

這時N應等於4π，是一個無理數，而一個有理整數不可能等於一個無理數，所以它是非周期序列。

(6)復指數序列

一系列復數組成的序列，稱為復序列。復序列的每一個序列值都是一個復數，因而具有實部與虛部兩部分。記為

物探數字信號分析與處理技術

復序列也可用極坐標表示法，即

物探數字信號分析與處理技術

最常用的一種復指數序列是

物探數字信號分析與處理技術

它是用極坐標表示復數序列時模值等於1，幅角arg［x(n)］=ω₀n的特例。該序列的實部和虛部分別為

物探數字信號分析與處理技術

最後應當指出，任何一個時間序列都可以用單位脈沖序列來表示。因為任一時間序列可表示成

物探數字信號分析與處理技術

也就是說，任一時間序列都可以看成是單位脈沖序列的線性組合，這種表達方法對分析線性移不變系統是很有用的。

9. 16種常用的數據分析方法-時間序列分析

時間序列（time series）是系統中某一變數的觀測值按時間順序（時間間隔相同）排列成一個數值序列，展示研究對象在一定時期內的變動過程，從中尋找和分析事物的變化特徵、發展趨勢和規律。它是系統中某一變數受其它各種因素影響的總結果。

研究時間序列主要目的可以進行預測，根據已有的時間序列數據預測未來的變化。時間序列預測關鍵：確定已有的時間序列的變化模式，並假定這種模式會延續到未來。

時間序列的基本特點

假設事物發展趨勢會延伸到未來

預測所依據的數據具有不規則性

不考慮事物發展之間的因果關系

時間序列數據用於描述現象隨時間發展變化的特徵。

時間序列考慮因素

時間序列分析就其發展歷史階段和所使用的統計分析方法看分為傳統的時間序列分析和現代時間序列分析，根據觀察時間的不同，時間序列中的時間可以是可以是年份、季度、月份或其他任何時間形式。

時間序列分析時的主要考慮的因素是：

l長期趨勢(Long-term trend) 

時間序列可能相當穩定或隨時間呈現某種趨勢。

時間序列趨勢一般為線性的(linear)，二次方程式的 (quadratic)或指數函數(exponential function)。

l季節性變動(Seasonal variation)

按時間變動，呈現重復性行為的序列。

季節性變動通常和日期或氣候有關。

季節性變動通常和年周期有關。

l周期性變動(Cyclical variation)

相對於季節性變動，時間序列可能經歷「周期性變動」。

周期性變動通常是因為經濟變動。

l隨機影響(Random effects)

除此之外，還有偶然性因素對時間序列產生影響，致使時間序列呈現出某種隨機波動。時間序列除去趨勢、周期性和季節性後的偶然性波動，稱為隨機性（random），也稱不規則波動（irregular variations）。

時間序列的主要成分

時間序列的成分可分為4種：

l趨勢（T）、

l季節性或季節變動（S）、

l周期性或循環波動（C）、

l隨機性或不規則波動（I）。

傳統時間序列分析的一項主要內容就是把這些成分從時間序列中分離出來，並將它們之間的關系用一定的數學關系式予以表達，而後分別進行分析。

時間序列建模基本步驟

1)用觀測、調查、統計、抽樣等方法取得被觀測系統時間序列動態數據。

2)根據動態數據作相關圖，進行相關分析，求自相關函數。

相關圖能顯示出變化的趨勢和周期，並能發現跳點和拐點。

跳點是指與其他數據不一致的觀測值。如果跳點是正確的觀測值,在建模時應考慮進去,如果是反常現象，則應把跳點調整到期望值。

拐點則是指時間序列從上升趨勢突然變為下降趨勢的點。如果存在拐點，則在建模時必須用不同的模型去分段擬合該時間序列，例如採用門限回歸模型。

3)辨識合適的隨機模型,進行曲線擬合,即用通用隨機模型去擬合時間序列的觀測數據。

對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。

對於平穩時間序列，可用通用ARMA模型（自回歸滑動平均模型）及其特殊情況的自回歸模型、滑動平均模型或組合-ARMA模型等來進行擬合。

當觀測值多於50個時一般都採用ARMA模型。對於非平穩時間序列則要先將觀測到的時間序列進行差分運算，化為平穩時間序列，再用適當模型去擬合這個差分序列。

spss時間序列分析過程

第一步：定義日期標示量：

打開數據文件，單擊"數據"，選擇"定義日期和時間"，彈出"定義日期"對話框，

數據中的起始時間就是數據文件裡面的單元格第一個時間，我的第一個是1997年8月，每行表示的是月度銷售量，因此，需要從"定義日期"對話框的左側"個案是"框中選擇"年，月"，在左側輸入『1997』，月框中輸入『8』，表示第一個個案的起始月是1997年8月，

最後點擊確認，這樣spss數據文件裡面就會生成3個新的變數

如下圖：

第二步：了解時間序列的變化趨勢

了解時間序列的變化趨勢做一個序列表就可以了，單擊"分析"，裡面選擇"時間序列預測，選擇"序列圖"對話框，然後把'平均值'移到"變數"框裡面，『DATE_』移到"時間軸標簽"框中，單擊"確定"。結果如圖

根據序列圖的分析知道，序列的波動隨著季節的波動越來越大，所以我們選擇乘法模型；

第三步：分析

單擊「分析」，選擇時間序列預測，然後選擇「季節性分解」，彈出「季節性分解」對話框，確認無誤之後點擊確定，如圖：

多了四個變數：

lERR表示誤差分析；

lSAS表示季節因素校正後序列；

lSAF表示季節因子；

lSTC表示長期趨勢和循環變動序列。

我們可以把新出現的四個變數、平均值和DATE_做序列圖。先把ERR、SAS、STC和平均值和DATE_做個序列圖，效果如下：

再單獨做個SAT和DATE＿的時間序列圖

 

第四步：預測

1、 單擊「分析」，選擇「時間序列預測」，然後選擇「創建傳統模型」，之後就會彈出「時間序列建模」對話框。

2、 將「平均值」移至「因變數」框中，然後確定中間的「方法」，在下拉列表中選擇「專家建模器」項，單擊右側的「條件」按鈕，彈出「時間序列建模器：專家建模器條件」對話框。

3、 在「時間序列建模器：專家建模器條件」對話框的「模型」選項卡中，在「模型類型」框中選擇「所有模型」項，並勾選「專家建模器考慮季節性模型」復選框，設置完，點「繼續」按鈕

4、 在「時間序列建模器」對話框中，切換至「保存」選項卡中，勾選「預測值」復選框，單擊「導出模型條件」框中「XML文件」後面的「瀏覽」按鈕，然後設置導出的模型文件和保存路徑，然後單擊「確定」按鈕就可以了。

做完上面的步驟之後，在原始數據上面就又會多一列預測值出現。如圖：

 

之前保存了預測的模型，我們現在就利用那個模型進行預測數據。

1、 單擊「分析」，選擇「時間序列預測」，然後選擇「應用傳統模型」，彈出「應用模型序列」對話框。具體的操作如下圖：

 

最後一步切換至「保存」界面，勾選「預測值」之後單擊確定就可以了。

      

從預測值直接看看不出來，可以把預測的數據和原始數據放到一起看下，也是直接做序列圖就可以。

這樣就完成了一次時間序列的模型，具體的預測數據可以看原始數據上面的出現的新的一列數據。

- End -

10. 五種經典的時間序列類型

時間序列類型只有三種：

1、絕對數時間序列：由時期總量指標排列而成的時間序列。

2、相對數時間序列：把一系列同種相對數指標按時間先後順序排列而成的時間序列叫做相對數時間序列。

3、平均數時間序列：平均數時間序列是指由一系列同類平均指標按時間先後順序排列的時間序列。

時間序列的特徵：

1、時間序列分析法是根據過去的變化趨勢預測未來的發展,它的前提是假定事物的過去延續到未來。

2、時間序列數據變動存在著規律性與不規律性。

以上內容參考：網路-時間序列