📚 课程目录第2章时序数据基础

时序数据基础：时间序列定义、成分、平稳性、自相关与滞后图

时间序列分析是时序预测与MLOps落地的地基。无论是构建LSTM、Transformer还是XGBoost模型，其输入数据的统计性质、成分结构、平稳性状态和自相关模式，都直接决定了特征工程的策略、模型架构的选择以及上线后的监控阈值设定。本章将系统梳理时间序列的核心定义、四大成分、平稳性检验、自相关函数（ACF）与滞后图（Lag Plot），并给出可操作的判断流程与实战案例。

上图展示了时间序列分析的核心概念及其相互关系。时间序列由趋势、季节、周期和噪声叠加而成；平稳性是建模的前提；自相关与滞后图是识别序列内部依赖结构的核心工具。下面逐一展开。

2.1 时间序列的定义与数学表达

时间序列是指按时间顺序排列的一组观测值，记为 \(\{y_t, t=1,2,...,T\}\)，其中 \(t\) 表示时间索引，\(T\) 为样本长度。与普通回归数据不同，时间序列的关键特征在于观测值之间的顺序相关性——相邻时刻的数据往往存在依赖关系，且这种依赖随滞后阶数变化。

在数学上，时间序列可以表示为确定性成分与随机成分的叠加：

y_t = f(Trend_t, Seasonal_t, Cyclic_t) + Noise_t

其中 \(Trend_t\) 为趋势项，\(Seasonal_t\) 为季节项，\(Cyclic_t\) 为周期项，\(Noise_t\) 为随机噪声。实际建模时，我们通常假设噪声服从均值为零、方差恒定的独立同分布（i.i.d.）过程，但这一假设在真实数据中往往不成立，需要通过差分、变换等手段使其近似成立。

经验提醒：在MLOps工程中，时间序列的索引必须严格单调递增且无缺失。若存在缺失值，建议先进行插值（如线性插值、前向填充）或标记缺失，再进入特征工程流程，否则会导致滞后特征错位。

2.2 时间序列的四大成分

理解成分是选择分解方法、设计特征和判断模型适用性的基础。四大成分各有其统计特征和业务含义。

成分	定义	典型周期	示例	处理方式
趋势 (Trend)	长期单调上升或下降的方向性变化	无固定周期	用户增长曲线、GDP增长	差分、多项式拟合、对数变换
季节 (Seasonal)	固定周期（如日、周、月、年）内的重复模式	固定且已知	电商日销售额（周内波动）、用电量（日内峰谷）	季节差分、虚拟变量、STL分解
周期 (Cyclic)	非固定长度的波动，通常与经济周期相关	不固定（3-10年）	房地产周期、库存周期	滤波（HP滤波）、谱分析
噪声 (Noise)	随机、不可预测的波动	无	测量误差、突发事件冲击	平滑、残差分析

季节性与周期性的区别常被混淆：季节性是固定周期（如每周7天、每年12个月），而周期性的周期长度不固定且通常更长。例如，某零售平台的日销售额呈现明显的“周末高、工作日低”的季节模式，而经济衰退带来的销售下滑则属于周期性波动。

2.3 平稳性：定义、检验与处理

平稳性是时间序列建模的核心前提。严格平稳要求联合分布随时间平移不变，实际中我们通常使用弱平稳（宽平稳）条件：

均值恒定：\(E[y_t] = \mu\)，不随时间变化；
方差恒定：\(Var(y_t) = \sigma^2\)，不随时间变化；
自协方差仅与滞后阶数 \(k\) 有关：\(Cov(y_t, y_{t-k}) = \gamma_k\)，与时间点 \(t\) 无关。

判断平稳性的常用方法包括：

可视化检查：绘制时序图，观察均值是否围绕固定水平波动、波动幅度是否恒定；
ADF检验（Augmented Dickey-Fuller）：原假设为序列存在单位根（非平稳），若p值小于0.05则拒绝原假设，认为序列平稳；
KPSS检验：原假设为序列平稳，若p值小于0.05则拒绝原假设，认为序列非平稳。通常与ADF结合使用，互为验证。

若序列非平稳，常用处理手段包括：

一阶差分：\(y'_t = y_t - y_{t-1}\)，消除线性趋势；
季节差分：\(y'_t = y_t - y_{t-s}\)，消除固定周期；
对数变换：稳定方差，适用于乘法型季节模式；
Box-Cox变换：更一般化的方差稳定变换。

风险提示：过度差分会导致信息丢失，使序列变得“过度平稳”，反而降低预测精度。建议差分后检查ACF图，若ACF在滞后1阶处出现显著负相关，则可能过度差分。

2.4 自相关函数（ACF）与偏自相关函数（PACF）

自相关函数度量序列与其自身滞后版本之间的线性相关性。对于滞后 \(k\)，样本自相关系数定义为：

ρ_k = Cov(y_t, y_{t-k}) / Var(y_t)

ACF图以滞后阶数为横轴、自相关系数为纵轴绘制，并附带置信区间（通常为±1.96/√T）。ACF的主要用途包括：

识别MA(q)模型的阶数：若ACF在滞后q阶后截尾（即突然变为不显著），则可能为MA(q)过程；
判断序列是否平稳：平稳序列的ACF通常快速衰减到零，而非平稳序列的ACF衰减缓慢；
检测季节性：若ACF在滞后7、14、21等位置出现显著峰值，则存在周季节性。

偏自相关函数（PACF）则是在控制中间滞后项的影响后，度量 \(y_t\) 与 \(y_{t-k}\) 的直接相关性。PACF用于识别AR(p)模型的阶数：若PACF在滞后p阶后截尾，则可能为AR(p)过程。

2.5 滞后图（Lag Plot）的原理与解读

滞后图是一种直观的散点图，将 \(y_t\) 与 \(y_{t-k}\) 绘制在二维平面上。当 \(k=1\) 时，横轴为 \(y_{t-1}\)，纵轴为 \(y_t\)。滞后图的价值在于：

检测线性相关性：若散点呈明显的对角线分布（正相关）或反对角线分布（负相关），说明存在强自相关；
识别非线性模式：若散点呈U形、环形或簇状分布，说明存在非线性依赖，需考虑非线性模型；
发现离群点：远离主簇的点可能是异常值或数据错误。

在Python中，使用pandas.plotting.lag_plot即可快速生成滞后图。实际应用中，建议同时绘制多个滞后阶数（如k=1, 7, 14）的滞后图，以全面观察不同时间尺度上的依赖结构。

2.6 实战案例：某电商平台日销售额的平稳性与自相关分析

本案例展示如何将上述概念应用于真实业务场景。某电商平台提供2023年1月1日至2023年12月31日的日销售额数据（共365个观测点），目标是为后续预测模型选择差分阶数和特征。

初始现象与目标：初步观察时序图发现销售额呈上升趋势，且存在明显的“周末高、工作日低”的周季节模式。目标是判断序列是否平稳，并识别自相关结构，为ARIMA或Prophet模型提供参数依据。

关键输入数据与指标：

原始序列均值：125.6万元，标准差：38.2万元；
ADF检验p值：0.42（非平稳）；
KPSS检验p值：0.01（拒绝平稳原假设）；
ACF图：滞后1-7阶均显著，衰减缓慢；
滞后图（k=1）：散点呈明显正对角线分布，相关系数0.87。

分析判断过程：

ADF与KPSS检验结果一致表明原始序列非平稳，需进行差分；
ACF衰减缓慢且滞后7阶处有显著峰值，提示存在周季节性；
滞后图确认强正自相关，但无法区分趋势与季节的贡献，需进一步分解。

实际操作步骤：

# 1. 一阶差分消除趋势
diff_1 = sales.diff().dropna()
# ADF p值变为0.03，仍非平稳（存在季节）

# 2. 季节差分（s=7）消除周季节
diff_7 = diff_1.diff(7).dropna()
# ADF p值变为0.001，KPSS p值0.15，序列平稳

# 3. 绘制差分后ACF/PACF
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(diff_7, lags=30)  # ACF在滞后1阶显著，滞后7阶不显著
plot_pacf(diff_7, lags=30) # PACF在滞后1阶显著，滞后2阶截尾

结果对比：差分后序列的ACF显示滞后1阶自相关系数为-0.32（负值），PACF在滞后1阶为-0.35，滞后2阶后截尾。这提示模型可考虑ARIMA(1,1,0)(0,1,1)₇结构。与直接使用原始序列建模相比，差分后的模型在验证集上的RMSE降低了约18%。

风险与代价：季节差分（s=7）会损失7个观测点，且若季节模式随时间变化（如节假日效应），固定周期差分可能失效。此外，差分操作会放大高频噪声，需在特征工程中配合平滑处理。

复盘经验：平稳性检验不能只看单一指标，ADF与KPSS结合使用可避免误判；滞后图虽然简单，但在识别非线性依赖方面比ACF更直观；差分阶数的选择应结合业务周期（如零售业周周期）而非仅依赖统计检验。

2.7 常见误区与总结复盘

在时间序列基础概念的学习和应用中，以下误区值得警惕：

误区	后果	正确做法
将趋势误认为季节性	错误选择差分阶数，导致过度差分	使用STL分解或可视化对比趋势与季节成分
忽略周期性（Cyclic）	模型无法捕捉长期波动	结合业务背景判断是否存在经济周期
仅依赖ADF检验	在边界情况下误判平稳性	ADF+KPSS+可视化三管齐下
滞后图只看k=1	遗漏多步滞后依赖	绘制多个滞后阶数（k=1,7,14）
认为平稳性处理后数据一定独立	忽略残差中的自相关	对残差进行Ljung-Box检验

总结而言，时间序列基础是预测建模的“体检报告”。通过成分分解理解数据的内在结构，通过平稳性检验确定差分策略，通过ACF/PACF和滞后图识别依赖模式，才能为后续的特征工程、模型选择和MLOps监控打下坚实基础。在实际工程中，建议将上述分析流程固化为自动化脚本，在每次数据更新后自动生成诊断报告，作为模型重训和告警的触发依据。