时间序列数据基础：平稳性、趋势、季节性
说实话，刚接触时间序列那会儿，我犯过一个特蠢的错误。直接把没处理的股价数据扔进 LSTM 模型，结果训练 loss 死活降不下去。导师看了一眼说：“你瞅瞅这数据，它平稳吗？”我当场就懵了。什么叫平稳？这玩意儿还有讲究？
从那以后，我再也不敢跳过数据检查这步了。今天咱们就把时间序列的三个核心概念——平稳性、趋势、季节性——掰开揉碎了讲清楚。
时间序列到底长啥样
时间序列，说白了就是按时间顺序排好的一串数字。每 5 分钟采样一次 CPU 使用率、每天记录一次服务器错误数、每小时采集一次网络流量……这些都算。
你想想看，如果把这串数字画成折线图，大概能看出几种规律：
- 长期向上或向下——这叫趋势
- 周期性的起伏——这叫季节性
- 剩下的杂乱波动——就是残差
我个人习惯，拿到任何时间序列数据，第一件事就是拆成这三个成分。为什么？因为 LSTM 对不同的成分，反应完全不同。
核心观点：异常检测的本质，是找到那些「不该出现」的波动。如果你连数据本身的正常规律都没摸清楚，凭什么判断什么是异常？
平稳性：为什么 LSTM 需要它
平稳性的定义其实很简单：统计性质不随时间变化。均值不变、方差不变、自相关结构也不变。
我举个例子。你测量机房温度，如果平均值始终在 22°C 上下，波动幅度也差不多，那这个序列就是平稳的。但如果温度从早上 20°C 一路升到下午 35°C，均值一直在变，那就是非平稳。
LSTM 这种模型，天生喜欢平稳数据。为什么？因为它要学习的是“模式”，而不是“数值”。如果均值一直在漂，模型学到的东西就不断作废，就像在跑步机上跑步——累死也原地踏步。
| 特性 | 平稳序列 | 非平稳序列 |
|---|---|---|
| 均值 | 稳定，围绕固定值波动 | 随时间变化（上升/下降） |
| 方差 | 大致不变 | 可能随时间扩大或缩小 |
| 自相关 | 衰减快，短期记忆 | 衰减慢，长期依赖假象 |
| 对 LSTM 影响 | 容易收敛，学习稳定模式 | 难以收敛，容易过拟合伪规律 |
怎么判断数据平不平稳
嗯，这里有个小技巧。别光靠肉眼，要用统计检验。我最常用的是 ADF 检验（Augmented Dickey-Fuller Test）。
它的逻辑很简单：假设数据是非平稳的，然后看证据够不够推翻这个假设。p 值小于 0.05 就算平稳。
from statsmodels.tsa.stattools import adfuller
import pandas as pd
# 读取你的时间序列数据
data = pd.read_csv('server_cpu.csv', index_col='timestamp', parse_dates=True)
series = data['cpu_usage']
# 执行 ADF 检验
result = adfuller(series.dropna())
print(f'ADF 统计量: {result[0]:.4f}')
print(f'p 值: {result[1]:.4f}')
if result[1] < 0.05:
print('数据平稳，可以直接使用')
else:
print('数据非平稳，需要差分处理')曾经有个坑：我见过有人拿着 p 值 0.049 就欢呼平稳，结果模型上线后表现一塌糊涂。0.05 是经验值，不是铁律。如果 p 值在 0.05 附近，我建议你再做一次 KPSS 检验交叉验证。
趋势：该去掉还是保留
趋势，就是数据长期的大方向。服务器流量随着用户量增长而攀升，这算趋势。磁盘使用率一直上升直到满盘，也算趋势。
问题来了：LSTM 到底要不要学这个趋势？
我个人经验：如果趋势是线性稳定的，比如每月增长 5%，可以保留。模型能学会这种匀速增长。但如果趋势是非线性突变的，比如某天流量突然翻倍，模型就会乱掉。
- 线性趋势：取一阶差分就能消除
- 非线性趋势：需要对数变换或多项式拟合去除
- 周期性趋势：其实是季节性的表现，后面另说
# 一阶差分去除线性趋势
differenced = series.diff().dropna()
print(f'差分后数据长度: {len(differenced)}')
# 再次检验平稳性
result = adfuller(differenced)
print(f'差分后 p 值: {result[1]:.4f}')季节性：周期模式怎么提取
季节性听起来高大上，其实就是重复出现的模式。每天晚上的流量高峰、每周一的 CPU 负载飙升、每年双十一的订单暴增……这些都是季节性。
我记得有一次，一个同学跑 LSTM 做服务器异常检测，模型老是报警。查了半天，发现每周五下午数据都会有个小尖峰。那不是异常，是定时任务跑批。模型没学会这个周期，所以对它敏感。
如何处理季节性？
- 先用 STL 分解（Seasonal-Trend decomposition using LOESS）把季节成分拎出来
- 决定要不要去掉：如果你检测的是「偏离常规模式」的异常，通常要去掉季节性
- 或者，让 LSTM 自己学：把时间特征作为输入（比如小时、星期几）
from statsmodels.tsa.seasonal import seasonal_decompose
# 假设数据按小时采集，周期为 24 小时
decomposition = seasonal_decompose(series, model='additive', period=24)
# 提取各成分
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid
# 去掉季节性的数据
deseasonalized = series - seasonal小建议：如果你不确定周期长度，可以用自相关图（ACF）来看。峰值出现的间隔就是周期。频率数据用 24 作为周期，周数据用 7，月数据用 12。但别死板，根据实际业务来。
一张图总结：时间序列核心概念
下面这张 SVG 把三者的关系串起来了。你看看，是不是一下子就清楚了？
实践中我是这样用的
我的工作流：
- 拿到数据，先画图，肉眼判断趋势和季节
- 做 ADF 检验，确认是否平稳
- 如果不平稳，先差分去趋势，再分解去季节
- 用处理后的残差训练 LSTM
- 预测时对比残差大小，超出阈值就是异常
你可能会问：为什么不直接用原始数据？
嗯，我记得之前做过一个网络流量异常检测项目。原始流量有明显的周季节性和日趋势。直接扔进 LSTM，模型把每个周一的正常高峰也当特征学进去了。结果周一真有异常时，它反而不报警——因为已经“习惯”了那个波动。
后来我把趋势和季节去掉，只对残差建模。模型立刻变得敏感多了。真正的异常——比如凌晨三点的流量暴增，原来被星期一的正常高峰淹没，现在一眼就能揪出来。
避坑：别把所有时间序列都处理成纯残差。有些业务的异常本身就藏在趋势变化里，比如客户流失前的缓慢下降。这时候趋势就是信号，不是噪声。我的建议：做两个模型，一个用残差，一个用原始序列，交叉验证。
几点心得
说了这么多，总结下来其实就三句话：
- 平稳性是 LSTM 能稳定学习的前提，差分是去非平稳最粗暴但有效的手段
- 趋势看情况处理，线性趋势可保留，非线性趋势必须去除
- 季节性是双刃剑，学会它模型更准，但异常也可能被它掩盖
你把这些基础打扎实了，后面讲 LSTM 结构时才能理解：为什么模型要对输入做归一化？为什么某些激活函数更好？根都在这里——数据性质决定了模型设计。