对比分析与分类分析可参考：数据分析思维拓展之对比分析与分类分析 - 掘金 (juejin.cn)

时间序列数据处理可参考：数据分析之python进阶1.0（时间序列数据处理） - 掘金 (juejin.cn)

时间序列分析概述

定义

1. 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，用于解决实际问题.
2. 时间序列又称动态数列或时间数列，就是把各个不同时间的统计指标数值，按时间先后顺序排列起来所形成的统计数列.

用途

1. 系统描述:根据对系统进行观测得到的时间序列数据，用折线图等方式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.
3. 预测未来:构建模型拟合时间序列，预测该时间序列未来值.
4. 决策和控制:根据时间序列模型预测到过程要偏离目标时便可进行必要的控制.

分类

时间序列分为平稳序列、非平稳序列(有趋势序列、复合型序列)

时间序列的构成要素

时间序列的构成要素

时间序列的构成要素分为四种:

1. 长期趋势(T):数据中对时间的变化相对稳定，往往是长期稳定的，上涨或下跌。是可预测的部分.

很多具有时间序列的数据都具有长期趋势

2. 季节变动(S):多用在长期的宏观经济类指标中，颗粒度是季度，呈现季节性变化，一般引申为周期性波动，如指标在一周内的周末和工作日的差别，一个月内的月初和月末的差别，可以对未来的某个位置周期性因素进行估计，也是可预测部分。
3. 周期性波动(C):与季节变动比较相似，有周期因素的存在，是可预测的.
4. 随机性或不规则波动(|):不可预测.

时间序列要素的分解

时间序列要素的分解取决于:

1. 数据序列本身隐藏着规律，不可预测的是其中的一小部分.

时间序列数据多数都会自带一定的趋势，有的序列还会伴随着周期性规律，我们可以利用这些特性对大多数数据进行一个预测

2. 分解的方法要合适，尤其是周期的判断要准确.

时间序列分析思路

我们了解了时间序列的核心要素后，我们对核心要素进行简单的转换，将其变为可量化可统计的四个部分

强相关：时间越接近，两者之间相关性越强

例如，今天的天气和昨天的天气相对比较接近，但是今天的天气与前两个月的天气差别就相对较大了

利用这一特点，我们可以通过很多方式来构建/描述数据间的强相关性

趋势性：当数据量足够大时，数据的趋势性非常明显

我们可以通过观察，但是带趋势性的一些指标需要我们构建趋势

例如节假日出游趋势，较之前涨幅比例构建增长趋势、降低趋势

周期性：规定时间间隔内，数据变换相似

一般来说，时间序列数据的周期性主要集中在月、周、日。不同的周期内，时间自带周期性峰值，我们可以通过统计当前时间与峰值的距离，反映周期性的现阶段

异常点：

异常点的数据分析或预测是相对困难的

例如淘宝681，双11，双12的电商数据

我们在分析过程中需要对这类型的异常数据进行特定的标注，也可以根据实际情况进行剔除或修正，避免异常数据对分析结果的影响

历史平移

当我们想要去做某一个特征的统计时，我们经常会用到历史平移和划窗统计

例如我们想要把前一天的数据作为今天数据的特征时

由于相邻两天的数据存在一定的相关性，所以昨天的数据也能与今天的数据具有很大程度相关性

滑窗统计

滑窗统计常用于分析固定时间区间内数据的变化

构造统计特征，如均值，最大值,最小值来反映该区间内数据的情况

对于常见得时序问题时，都可以采用这两种方式来提取特征，构建训练集。