📚 课程目录第4章经典统计模型

4、经典统计模型：AR、MA、ARMA、ARIMA、SARIMA、季节性分解（STL）的原理、适用场景与Python实现

时间序列预测是数据科学中最具挑战性的任务之一，而经典统计模型构成了该领域的理论基石。尽管深度学习模型（如LSTM、Transformer）在复杂模式识别上表现出色，但AR、MA、ARMA、ARIMA、SARIMA以及STL分解等经典方法，凭借其可解释性强、计算效率高、在小样本场景下表现稳定等优势，至今仍在工业界（如电商销量预测、服务器负载监控、金融风控指标分析）占据不可替代的地位。本章将系统梳理这些模型的内在数学逻辑、适用边界以及Python落地细节，帮助你在实际项目中做出正确的模型选型。

上图展示了经典统计模型从数据特征到模型选型、诊断与部署的完整路径。在实际应用中，我们通常先对序列进行平稳性检验（ADF检验）和季节性观察，再根据ACF/PACF图初步判断模型阶数，最后通过信息准则（AIC/BIC）确定最优参数。下面我们将逐一深入每个模型的核心原理与实现细节。

4.1 AR与MA模型：自回归与移动平均的基本逻辑

核心原理

AR(p)（自回归模型）假设当前时刻的值\(y_t\)与过去p个时刻的观测值存在线性关系，数学表达式为：

y_t = c + φ₁y_{t-1} + φ₂y_{t-2} + ... + φ_p y_{t-p} + ε_t

其中ε_t为白噪声（均值为0，方差恒定）。AR模型的核心思想是“历史会重演”——当前状态由过去状态的线性组合决定。例如，预测今日服务器CPU使用率，可以基于过去5分钟的负载值进行回归。

MA(q)（移动平均模型）则关注过去q期的预测误差（白噪声项）对当前值的影响：

y_t = μ + ε_t + θ₁ε_{t-1} + θ₂ε_{t-2} + ... + θ_q ε_{t-q}

MA模型适合处理“冲击效应”具有短期记忆的序列，比如股票收益率的波动聚集现象——今天的异常波动可能只影响未来1-2天，之后逐渐衰减。

判断方法：ACF与PACF的识别规则

模型	ACF（自相关函数）	PACF（偏自相关函数）
AR(p)	拖尾（指数衰减或正弦波动）	p阶后截尾（快速降为0）
MA(q)	q阶后截尾	拖尾
ARMA(p,q)	拖尾	拖尾

在Python中，我们可以使用statsmodels.graphics.tsaplots.plot_acf和plot_pacf快速可视化。需要注意的是，实际数据往往存在噪声，截尾并非严格为0，而是落入置信区间（通常为±1.96/√n）内。

案例拆解：电商平台流量异常检测

假设某电商平台需要监控每分钟的页面访问量（PV）。业务方发现某时段流量异常波动，希望判断是正常随机波动还是系统故障。我们采集了最近24小时的数据（1440个点），初步观察发现序列平稳（无趋势和季节性）。计算ACF和PACF后，发现PACF在1阶后截尾，ACF拖尾，因此初步判断为AR(1)模型。拟合后残差通过Ljung-Box检验（p>0.05），说明模型充分提取了信息。通过对比实际值与预测值的残差，我们设置±3σ阈值，成功识别出凌晨2:00-2:10的异常流量峰值——后来确认为爬虫攻击。

经验提醒：AR和MA模型仅适用于平稳序列。如果数据存在趋势或季节性，必须先进行差分或分解，否则模型参数估计将严重失真。

4.2 ARIMA：差分统一非平稳序列建模

核心原理

ARIMA(p,d,q)在ARMA基础上增加了差分阶数d。差分操作通过计算相邻时刻的差值来消除趋势，使非平稳序列转化为平稳序列。一阶差分公式为：

Δy_t = y_t - y_{t-1}

如果序列存在线性趋势，一阶差分即可消除；若存在二次趋势，则需要二阶差分。ARIMA的完整表达式为：

Δ^d y_t = c + φ₁Δ^d y_{t-1} + ... + φ_p Δ^d y_{t-p} + ε_t + θ₁ε_{t-1} + ... + θ_q ε_{t-q}

操作流程：Box-Jenkins方法论

识别：通过ADF检验确认平稳性，若不平稳则进行差分，直到序列平稳。
定阶：观察差分后序列的ACF/PACF，初步确定p和q的范围。
估计：使用极大似然估计（MLE）拟合模型参数。
诊断：检查残差是否为白噪声（Q检验），以及参数显著性。
预测：使用模型进行未来多步预测，并计算置信区间。

在Python中，statsmodels.tsa.arima.model.ARIMA提供了完整实现。为了自动寻找最优参数，可以使用pmdarima.auto_arima，它会遍历(p,d,q)组合并选择AIC最小的模型。

实战场景：云服务器CPU使用率预测

某运维团队需要预测未来1小时（12个5分钟粒度点）的CPU使用率，以便提前扩容。原始数据存在明显的业务周期（白天高、夜间低）和缓慢上升趋势。ADF检验p值为0.32（不平稳），一阶差分后p值<0.01（平稳）。auto_arima自动选择了ARIMA(2,1,2)模型，AIC=4521.3。在测试集上，RMSE为3.2%（CPU百分比），相比Naive方法（使用上一时刻值）的5.8%提升了45%的精度。部署时，我们使用滚动预测方式：每5分钟重新拟合一次模型参数（滑动窗口为最近7天数据），确保模型能适应业务变化。

风险提示：ARIMA对异常值敏感。如果训练数据中包含突发的流量尖峰（如促销活动），模型参数会被拉偏。建议在训练前进行异常值平滑处理（如使用Hampel滤波器），或使用带有鲁棒估计的变体（如SARIMAX with robust covariance）。

4.3 SARIMA：引入季节性周期

核心原理

SARIMA(p,d,q)(P,D,Q,m)在ARIMA基础上增加了季节性分量。其中m为季节周期长度（如每日数据中m=24表示24小时周期，月度数据中m=12表示12个月周期）。季节性差分定义为：

Δ_m y_t = y_t - y_{t-m}

模型同时包含非季节性部分（p,d,q）和季节性部分（P,D,Q），例如：

ARIMA(1,1,1)(1,1,1)_24

表示对小时数据做一阶差分和24阶季节性差分，同时包含1阶自回归、1阶移动平均以及季节性自回归和移动平均项。

适用场景与参数选择

SARIMA适用于具有明显周期性波动的序列，例如：

电力负荷预测（日周期、周周期）
零售销量预测（周季节性、年度季节性）
网站流量预测（小时周期、工作日/周末差异）

确定季节性周期m的方法：观察序列的谱密度图或自相关图，找到显著的滞后点。例如，如果ACF在滞后24处出现显著峰值，则m=24。季节性差分阶数D通常取0或1，过高的D会导致过度差分，损失信息。

案例拆解：连锁超市日销售额预测

某连锁超市需要预测未来14天的日销售额，用于库存备货。数据包含两年的每日记录，明显呈现7天周期（周末销售额高）和年度趋势。我们构建SARIMA(1,1,1)(1,1,1)_7模型，使用statsmodels拟合。关键参数设置：

from statsmodels.tsa.statespace.sarimax import SARIMAX
model = SARIMAX(train, order=(1,1,1), seasonal_order=(1,1,1,7), 
                enforce_stationarity=False, enforce_invertibility=False)
results = model.fit(maxiter=200, disp=False)

模型在测试集上的MAPE为4.8%，优于非季节性ARIMA的7.2%和Prophet的5.5%。值得注意的是，在节假日（如春节）期间，模型预测误差显著增大，因为节假日模式与常规周末不同。我们通过引入节假日虚拟变量（外生回归量）进一步优化，将节假日期间的MAPE从9.1%降至5.9%。

  关键经验：SARIMA的阶数选择不宜过大。通常p,d,q和P,D,Q都在0-2之间。过高的阶数会导致过拟合，且参数估计不稳定。建议使用auto_arima并设置seasonal=True, m=周期，同时限制最大阶数。

4.4 STL季节性分解：灵活的趋势-季节分离

核心原理

STL（Seasonal-Trend decomposition using LOESS）是一种基于局部加权回归的分解方法，将时间序列分解为三个分量：

y_t = Trend_t + Seasonal_t + Remainder_t

与经典分解（如移动平均法）相比，STL具有以下优势：

可以处理任意类型的季节性（不仅限于固定周期）
趋势分量光滑且对异常值鲁棒
允许季节性随时间缓慢变化

操作流程与Python实现

使用statsmodels.tsa.seasonal.STL进行分解：

from statsmodels.tsa.seasonal import STL
stl = STL(series, period=24, robust=True)  # period为季节周期
result = stl.fit()
trend = result.trend
seasonal = result.seasonal
resid = result.resid

分解后，我们可以对趋势分量单独建模（如线性回归或ARIMA），对季节分量直接外推（假设季节性稳定），最后将预测值相加。这种方法在业务中非常实用，因为可以分别监控趋势变化和季节性模式是否发生漂移。

实战场景：服务器日志量监控与异常检测

某互联网公司需要监控每秒日志写入量，以发现系统异常。日志量具有明显的日周期（白天高、夜间低）和缓慢增长趋势。我们使用STL分解（period=24*3600/5=17280，假设5秒一个采样点），得到趋势、季节和残差分量。通过监控残差分量的均值和标准差，设置动态阈值（均值±4σ），成功在系统故障前30分钟检测到异常——残差连续10个点超过阈值。相比传统固定阈值方法，误报率降低了70%。

常见误区与总结复盘

误区	后果	正确做法
忽略平稳性直接建模	伪回归，参数无意义	先ADF检验，必要时差分
ACF/PACF过度解读	选择过高阶数，过拟合	结合AIC/BIC和交叉验证
季节性周期设置错误	模型无法捕捉真实周期	通过谱分析或业务知识确定m
STL分解后直接相加预测	忽略残差中的自相关性	对残差也进行白噪声检验
模型部署后不更新	随着时间推移预测精度下降	建立定期重训练机制

在MLOps实践中，经典统计模型虽然结构简单，但同样需要完整的生命周期管理。我们建议将模型参数、训练数据版本、评估指标记录在MLflow中，并使用Airflow调度每日重训练任务。对于预测结果的监控，可以跟踪残差的均值漂移和方差变化，当残差出现系统性偏差时触发告警并自动回滚到上一版本模型。

经典统计模型的另一个重要价值在于提供可解释的基线。在向业务方解释预测结果时，ARIMA的系数可以说明“过去1小时的趋势对当前的影响程度”，STL的季节分量可以直接展示“每年双11的销量倍率”。这种透明性是黑盒深度学习模型难以提供的。因此，即使团队已经具备深度学习能力，我们仍建议保留经典模型作为基准和解释工具。