时间序列数据中斜整是什么

1. 什么是时间序列分析

时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。

2. 请问什么是ASFR时间序列、TFR值

利用按时间顺序排列的数据预测未来的方法，是一种常用的。事物的发展变化趋势会延续到未来，反映在随机过程理论中就是时间序列的平稳性或准平稳性。准平稳性是指时间序列经过某种数据处理（如一次或多次差分运算）后变为平稳的性质。时间序列有 4种变动因素:①长期趋势(T)，在整个预测期内事物呈现出渐增或渐减的总倾向；②周期变动(C),以某一时间间隔为周期的周期性变动，如危机和复苏的交替；③季节变动(S)，以一年为周期的周期变动,如服装行业销售额的季节性波动；④偶然变动(I),除上述三种情况之外的不规则变动,又称随机变动。这4种因素的综合模式有加法模式、乘法模式和混合模式。若以表示时间序列(＝1，2，3，…，表示采样时刻)，则加法模式的时间序列是上述4种变动因素的相加,＝(T)＋(C)＋(S)＋(I)，而乘法模式的则是上述4种变动因素的相乘,=(T)×(C)×(S)×(I)。时间序列法分为两类：①不细分4种变动因素而直接利用时间序列数据建立数学模型，进行预测。②对4种变动因素有侧重地进行预处理,从而派生出剔除季节变动法、移动平均法、指数平滑法、自回归法、时间函数拟合法等具体预测方法。
剔除季节变动法 对于明显地存在着季节性变动因素的时间序列数据,通常是先剔除季节性因素,找出平稳值和季节性修正系数。在平稳值预测基础上加以季节性修正，就能获得计及季节性变动的预测。以服装业为例,如果1981、1982和 1983年1月份的销售额分别是40.0、32.9和37.4，平均值为 36.77；三年内总计每月平均为51.18，则可得1月份的三年平均指数为 36.77/51.18＝0.718。若剔除季节性变动因素,则1981、1982和1983年每年1月的平均值分别为40.0/0.718＝55.7;32.9/0.718＝45.8；37.4/0.718＝52.1。依此类推，可求出各年各月的平稳值（见图[销售额图]）。图中实线为实际销售值，虚线为剔除季节变动后的平稳值。此外也可按每年12个月的平均值作为各年平稳值的基准，按乘法模式或加法模式提取出季节性变动分量，按照各年基准值预测未来年基准值，然后计及季节变动分量加以修正，即得未来预测值。
移动平均法 又称滑动平均法，对于存在着偶然变动因素的较为平稳的时间序列，可以采用这种方法来剔除偶然变动因素，以对平稳的时间序列作出预测。基本方法是利用紧挨着预测期前的一段时间序列数据（如有个数据），按某种规则求平均值,作为预测值。当预测期在时间上移动时,所采用的时间序列数据（个数据的个数不变）也随着在时间上移动。其中一次 元移动法适用于接近平稳的恒定过程；二次 元移动平均法适用于线性增长或衰减过程。
指数平滑法 加权移动平均法的一种（见）。
自回归法 利用紧挨着预测期前的一段时间序列数据，分别乘上某个系数后叠加求得，用以剔除偶然变动因素。
时间函数拟合法 变量变化规律符合某一时间函数，利用采样数据进行拟合，确定参数，而后外推预测。其中常用的为多项式形式。
参考书目
N.T.Thomopoulos着，刘涌康等译:《实用预测方法》，上海科技文献出版社，上海，1980。(N.T.Thomopoulos, Applied Forecastin Methods, Prentice-Hall,Engl-ewood Cliffs,1980.

3. 时间序列分析——DTW算法详解

DTW（dynamic time warping）是时间序列分析中一个很早（1994年，论文的年纪比我都大）也很经典的算法了。它其实借用的是经典算法的“动态规划”的思想。一般来说，时间序列数据如果要做分类，那么大体可以将实验步骤分为：数据预处理（去噪或数据增强），数据表征，选取分类器（机器学习算法还需要选取合适的距离计算方法）。虽然DTW算法也给出了路径，但我实在想不出如何利用path，因此我更倾向于将DTW算法归为距离计算方法。

第一部分Introction不再介绍。直接介绍第二部分：Dynamic Time Warping

作者首先提到，dtw算法成功应用在了语音识别领域——研究者将现实中一个单词的发音（其实就是一条时间序列）与模板库中单词的发音去一个个匹配。怎么衡量匹配程度的大小呢？

4. 对时间序列的分析方法有哪几种

1、 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。 2、 宽平稳时间序列的定义：设时间序列 ，对于任意的 , 和 ，满足： 则称 宽平稳。 3、Box-Jenkins方法是一种理论较为完善的统计预测方法。他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方法。使ARMA模型的建立有了一套完整、正规、结构化的建模方法，并且具有统计上的完善性和牢固的理论基础。 4、ARMA模型三种基本形式：自回归模型（AR：Auto-regressive），移动平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自回归模型AR(p)：如果时间序列 满足 其中 是独立同分布的随机变量序列，且满足： ， 则称时间序列 服从p阶自回归模型。或者记为 。 平稳条件：滞后算子多项式 的根均在单位圆外，即 的根大于1。 （2） 移动平均模型MA(q)：如果时间序列 满足 则称时间序列 服从q阶移动平均模型。或者记为 。 平稳条件：任何条件下都平稳。 （3） ARMA(p,q)模型：如果时间序列 满足 则称时间序列 服从(p,q)阶自回归移动平均模型。或者记为 。 特殊情况：q=0,模型即为AR(p)，p=0, 模型即为MA(q)。 二、时间序列的自相关分析 1、自相关分析法是进行时间序列分析的有效方法，它简单易行、较为直观，根据绘制的自相关分析图和偏自相关分析图，我们可以初步地识别平稳序列的模型类型和模型阶数。利用自相关分析法可以测定时间序列的随机性和平稳性，以及时间序列的季节性。 2、自相关函数的定义：滞后期为k的自协方差函数为： ，则 的自相关函数为： ，其中 。当序列平稳时，自相关函数可写为： 。 3、 样本自相关函数为： ，其中 ，它可以说明不同时期的数据之间的相关程度，其取值范围在-1到1之间，值越接近于1，说明时间序列的自相关程度越高。 4、 样本的偏自相关函数： 其中， 。 5、 时间序列的随机性，是指时间序列各项之间没有相关关系的特征。使用自相关分析图判断时间序列的随机性，一般给出如下准则： ①若时间序列的自相关函数基本上都落入置信区间，则该时间序列具有随机性； ②若较多自相关函数落在置信区间之外，则认为该时间序列不具有随机性。 6、 判断时间序列是否平稳，是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是：①若时间序列的自相关函数 在k>3时都落入置信区间，且逐渐趋于零，则该时间序列具有平稳性；②若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性。 7、 ARMA模型的自相关分析 AR(p)模型的偏自相关函数 是以p步截尾的，自相关函数拖尾。MA(q)模型的自相关函数具有q步截尾性，偏自相关函数拖尾。这两个性质可以分别用来识别自回归模型和移动平均模型的阶数。ARMA(p,q)模型的自相关函数和偏相关函数都是拖尾的。 三、单位根检验和协整检验 1、单位根检验 ①利用迪基—福勒检验（ Dickey-Fuller Test）和菲利普斯—佩荣检验（Philips-Perron Test）,我们也可以测定时间序列的随机性，这是在计量经济学中非常重要的两种单位根检验方法，与前者不同的事，后一个检验方法主要应用于一阶自回归模型的残差不是白噪声，而且存在自相关的情况。 ②随机游动 如果在一个随机过程中， 的每一次变化均来自于一个均值为零的独立同分布，即随机过程 满足： ， ，其中 独立同分布，并且： ， 称这个随机过程是随机游动。它是一个非平稳过程。 ③单位根过程 设随机过程 满足： ， ，其中 ， 为一个平稳过程并且 ，，。 2、协整关系 如果两个或多个非平稳的时间序列，其某个现性组合后的序列呈平稳性，这样的时间序列间就被称为有协整关系存在。这是一个很重要的概念，我们利用Engle-Granger两步协整检验法和J 很高兴回答楼主的问题 如有错误请见谅

5. 时间序列(time series)系列1—简介

笔者在工作中，接触到了客流数据，网络质量数据等，零零散散的对时间序列分析方法进行了学习和实践。
在平时的工作中，大多数公司都会有很多时序数据，也都离不开时序数据的挖掘。
所以现在整理分享出来，忘大家批评指正。

时间序列数据（time series data）是在不同时间上收集到的数据，用于描述现象随时间变化的情况。
时间序列是一种典型的数据，具有随时间变化的特征。在大多数场景中，都能见到的一种数据类型。
如客流数据，股票数据，销售额数据，网络日志，某些KPI指标等等内容。

一般情况下,时间序列数据可以分解为3个部分，如下图所示：

首先我们要有个目标，想通过时间序列数据完成什么样的目标，短期、中期、长期预测。然后需要尽可能的收集时间序列数据，数据越多，能够发现更多数据特征，预测会更准确。时间序列需要对数据中的缺失、异常、范围等进行处理。
常见的时间序列数据预测方法，笔者主要总结一下几种：

6. 简述时间序列的构成要素

构成要素：长期趋势，季节变动，循环变动，不规则变动。长期趋势（ T ）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势；季节变动（ S ）现象在一年内随着季节的变化而发生的有规律的周期性变动；

循环变动（ C ）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动；不规则变动（I ）是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。根据观察时间的不同，时间序列中的时间可以是年份、季度、月份或其他任何时间形式。

(6)时间序列数据中斜整是什么扩展阅读

特征：时间序列分析法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未来。在一般情况下,时间序列分析法对于短、近期预测比较显着,但如延伸到更远的将来,就会出现很大的局限性,导致预测值偏离实际较大而使决策失误。

时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。

7. 时间序列是研究什么的

时间序列分析

在生产和科学研究中，对某一个或一组变量x(t)进行观察测量，将在一系列时刻t1, t2, …, tn (t为自变量且t1<t2<…< tn ) 所得到的离散数字组成序列集合x(t1), x(t2), …, x(tn)，我们称之为时间序列，这种有时间意义的序列也称为动态数据。这样的动态数据在自然、经济及社会等领域都是很常见的。如在一定生态条件下，动植物种群数量逐月或逐年的消长过程、某证券交易所每天的收盘指数、每个月的GNP、失业人数或物价指数等等。

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。

时间序列建模基本步骤是：①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。

时间序列分析主要用于：①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。

DPS数据处理系统提供给用户一套较完整的时间序列建模分析、进行预测预报的工具，包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均(ARIMA)建模分析、预测等时间序列分析和建模技术。

8. 几种典型的时间序列及序列的运算

一个连续时间信号，只要满足采样定理，就可以用离散采样完全代表这个连续时间信号。采样可以通过人工来完成，例如一条几何曲线;也可以本身就是离散信号，例如一组实验数据;还可以通过前面提到过的采样器来完成。一般采样是等时间间隔的，因此采样以后，时间间隔Δt就没有什么重要意义了。采样数据可以存放在计算机的存储器中，随时取用处理，只有在需要将数字信号还原为连续信号时，在数-模转换器中，才有必要重新将它们排列在等时间的间隔上。因此，对于处理离散时间信号来说，采样间隔Δt并没有什么重要意义，可以用时间序列x(n)表示。其中n=t/Δt称为时间信号。用图4-4-1表示。

在数学上，则将时间序列表示成

物探数字信号分析与处理技术

x(n)中的n=0，±1，±2，…是整数，表示所在时间序号的采样值。当n<0时，x(n)=0，表示一个因果时间序列。

两个时间序列的和是两个时间序列在同一采样序号的采样值之和组成的序列(图4-4-1，图4-4-2)，例如

图4-4-1 序列表示法(1)

图4-4-2 序列表示法(2)

物探数字信号分析与处理技术

两个时间序列的积，则是两个时间序列在同一采样序号的采样值之积组成的序列，例如

物探数字信号分析与处理技术

一个时间序列的延时，则是这个时间序列的序号向后顺延的结果组成的序列，例如

物探数字信号分析与处理技术

表示时间序列w(n)=x(n-m)是原时间序列x(n)的序号向后移m位所组成的新序列。如图4-4-3(b)所示。

图4-4-3 序列移位

反之，一个时间序列的超前，则是这个时间序号向前顺延的结果所组成的序列，见图4-4-3(c)。

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

1.几种常用的典型时间序列

(1)单位脉冲序列

物探数字信号分析与处理技术

见图4-4-4需要说明的是，它与连续信号δ(t)的定义不同:在连续信号中，δ(t)是一种广义函数，它是面积为1的方波当其宽度为零时的一种极限，这时其幅值在t等于零时为无穷;在t≠0时为零，但极限的面积等于1。在采样信号中，因为是理想采样，实际采样总是有一定宽度τ的，所以在理想采样中的脉冲面积实际上是1，所以有式(4-4-1)。它表示一个采样脉冲的面积，是一个有限值。

图4-4-4 δ(n)序列

图4-4-5 u(n)序列

(2)单位阶跃序列

物探数字信号分析与处理技术

见图4-4-5。显然，u(n)是一系列δ(n)之和，即

物探数字信号分析与处理技术

反之，δ(n)也可以用u(n)表示出来:

物探数字信号分析与处理技术

(3)矩形序列

物探数字信号分析与处理技术

见图4-4-6，显然，矩形序列

物探数字信号分析与处理技术

(4)指数序列

物探数字信号分析与处理技术

见图4-4-7，式(4-4-7)亦可写成

物探数字信号分析与处理技术

图4-4-6 R(n)序列

图4-4-7 aⁿu(n)序列

当|a≥1|时是发散的，|a|<1时是收敛的，当a为负值时是摆动的，如图4-4-7所示。

(5)正弦序列

物探数字信号分析与处理技术

见图4-4-8。其中ω₀为数字频率。因为正弦序列可以认为是正弦信号的采样，即对连

续正弦信号sinΩ₀t的采样，采样后的信号记为sinΩ₀nΔt，于是有

物探数字信号分析与处理技术

其中Δt是采样间隔，它是采样频率f_n的倒数，即

物探数字信号分析与处理技术

比较等式两端得

物探数字信号分析与处理技术

它是模拟频率用采样频率归一化的结果，称为数字频率。与正弦序列相对应，也可以有余弦序列

物探数字信号分析与处理技术

在连续信号中，正弦或余弦函数总是周期函数，其周期为

物探数字信号分析与处理技术

图4-4-8 sinnω₀序列

但在离散时间序列中，正弦或余弦序列并不一定是周期序列:当序列的频率ω₀为π的倍数时，这个序列是周期的;当序列的频率ω₀不为π的倍数时，则不是周期的。例如，当正弦序列的频率ω₀等于π/4时，根据周期函数的性质，应有

物探数字信号分析与处理技术

于是可以得出，这个正弦序列的周期为N=8。如果正弦序列频率ω₀不是π的倍数，例如ω₀等于0.5，则有

物探数字信号分析与处理技术

这时N应等于4π，是一个无理数，而一个有理整数不可能等于一个无理数，所以它是非周期序列。

(6)复指数序列

一系列复数组成的序列，称为复序列。复序列的每一个序列值都是一个复数，因而具有实部与虚部两部分。记为

物探数字信号分析与处理技术

复序列也可用极坐标表示法，即

物探数字信号分析与处理技术

最常用的一种复指数序列是

物探数字信号分析与处理技术

它是用极坐标表示复数序列时模值等于1，幅角arg［x(n)］=ω₀n的特例。该序列的实部和虚部分别为

物探数字信号分析与处理技术

最后应当指出，任何一个时间序列都可以用单位脉冲序列来表示。因为任一时间序列可表示成

物探数字信号分析与处理技术

也就是说，任一时间序列都可以看成是单位脉冲序列的线性组合，这种表达方法对分析线性移不变系统是很有用的。

9. 16种常用的数据分析方法-时间序列分析

时间序列（time series）是系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各种因素影响的总结果。

研究时间序列主要目的可以进行预测，根据已有的时间序列数据预测未来的变化。时间序列预测关键：确定已有的时间序列的变化模式，并假定这种模式会延续到未来。

时间序列的基本特点

假设事物发展趋势会延伸到未来

预测所依据的数据具有不规则性

不考虑事物发展之间的因果关系

时间序列数据用于描述现象随时间发展变化的特征。

时间序列考虑因素

时间序列分析就其发展历史阶段和所使用的统计分析方法看分为传统的时间序列分析和现代时间序列分析，根据观察时间的不同，时间序列中的时间可以是可以是年份、季度、月份或其他任何时间形式。

时间序列分析时的主要考虑的因素是：

l长期趋势(Long-term trend) 

时间序列可能相当稳定或随时间呈现某种趋势。

时间序列趋势一般为线性的(linear)，二次方程式的 (quadratic)或指数函数(exponential function)。

l季节性变动(Seasonal variation)

按时间变动，呈现重复性行为的序列。

季节性变动通常和日期或气候有关。

季节性变动通常和年周期有关。

l周期性变动(Cyclical variation)

相对于季节性变动，时间序列可能经历“周期性变动”。

周期性变动通常是因为经济变动。

l随机影响(Random effects)

除此之外，还有偶然性因素对时间序列产生影响，致使时间序列呈现出某种随机波动。时间序列除去趋势、周期性和季节性后的偶然性波动，称为随机性（random），也称不规则波动（irregular variations）。

时间序列的主要成分

时间序列的成分可分为4种：

l趋势（T）、

l季节性或季节变动（S）、

l周期性或循环波动（C）、

l随机性或不规则波动（I）。

传统时间序列分析的一项主要内容就是把这些成分从时间序列中分离出来，并将它们之间的关系用一定的数学关系式予以表达，而后分别进行分析。

时间序列建模基本步骤

1)用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。

2)根据动态数据作相关图，进行相关分析，求自相关函数。

相关图能显示出变化的趋势和周期，并能发现跳点和拐点。

跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。

拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。

3)辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。

对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。

对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。

当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。

spss时间序列分析过程

第一步：定义日期标示量：

打开数据文件，单击"数据"，选择"定义日期和时间"，弹出"定义日期"对话框，

数据中的起始时间就是数据文件里面的单元格第一个时间，我的第一个是1997年8月，每行表示的是月度销售量，因此，需要从"定义日期"对话框的左侧"个案是"框中选择"年，月"，在左侧输入‘1997’，月框中输入‘8’，表示第一个个案的起始月是1997年8月，

最后点击确认，这样spss数据文件里面就会生成3个新的变量

如下图：

第二步：了解时间序列的变化趋势

了解时间序列的变化趋势做一个序列表就可以了，单击"分析"，里面选择"时间序列预测，选择"序列图"对话框，然后把'平均值'移到"变量"框里面，‘DATE_’移到"时间轴标签"框中，单击"确定"。结果如图

根据序列图的分析知道，序列的波动随着季节的波动越来越大，所以我们选择乘法模型；

第三步：分析

单击“分析”，选择时间序列预测，然后选择“季节性分解”，弹出“季节性分解”对话框，确认无误之后点击确定，如图：

多了四个变量：

lERR表示误差分析；

lSAS表示季节因素校正后序列；

lSAF表示季节因子；

lSTC表示长期趋势和循环变动序列。

我们可以把新出现的四个变量、平均值和DATE_做序列图。先把ERR、SAS、STC和平均值和DATE_做个序列图，效果如下：

再单独做个SAT和DATE＿的时间序列图

 

第四步：预测

1、 单击“分析”，选择“时间序列预测”，然后选择“创建传统模型”，之后就会弹出“时间序列建模”对话框。

2、 将“平均值”移至“因变量”框中，然后确定中间的“方法”，在下拉列表中选择“专家建模器”项，单击右侧的“条件”按钮，弹出“时间序列建模器：专家建模器条件”对话框。

3、 在“时间序列建模器：专家建模器条件”对话框的“模型”选项卡中，在“模型类型”框中选择“所有模型”项，并勾选“专家建模器考虑季节性模型”复选框，设置完，点“继续”按钮

4、 在“时间序列建模器”对话框中，切换至“保存”选项卡中，勾选“预测值”复选框，单击“导出模型条件”框中“XML文件”后面的“浏览”按钮，然后设置导出的模型文件和保存路径，然后单击“确定”按钮就可以了。

做完上面的步骤之后，在原始数据上面就又会多一列预测值出现。如图：

 

之前保存了预测的模型，我们现在就利用那个模型进行预测数据。

1、 单击“分析”，选择“时间序列预测”，然后选择“应用传统模型”，弹出“应用模型序列”对话框。具体的操作如下图：

 

最后一步切换至“保存”界面，勾选“预测值”之后单击确定就可以了。

      

从预测值直接看看不出来，可以把预测的数据和原始数据放到一起看下，也是直接做序列图就可以。

这样就完成了一次时间序列的模型，具体的预测数据可以看原始数据上面的出现的新的一列数据。

- End -

10. 五种经典的时间序列类型

时间序列类型只有三种：

1、绝对数时间序列：由时期总量指标排列而成的时间序列。

2、相对数时间序列：把一系列同种相对数指标按时间先后顺序排列而成的时间序列叫做相对数时间序列。

3、平均数时间序列：平均数时间序列是指由一系列同类平均指标按时间先后顺序排列的时间序列。

时间序列的特征：

1、时间序列分析法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未来。

2、时间序列数据变动存在着规律性与不规律性。

以上内容参考：网络-时间序列