4.3 经典方法对比

4.3 经典时间序列预测方法对比

本节摘要：ARIMA 不是默认冠军。朴素「明天等于今天」、季节朴素「去年同星期」、简单/Holt/Holt-Winters 指数平滑、带时间趋势的回归，都可能在特定形态上更稳、更好讲。对比应在同一持出规则下用 MAE/RMSE，并看残差是否还有 ARIMA 可吃的短记忆。赢不了基线就不要上线 ARIMA。

本节导航

阅读完本节，你应当能够：

1. 按序列形态选出至少一种基线方法，并说明它对应 ARIMA 的哪个特例。
2. 列出指数平滑与 ARIMA 在「状态更新」和「相关建模」上的分工。
3. 解释为何深度学习时序模型不在本课决赛圈，却仍要把 ARIMA 当可讲解基线。

一、先把能赢你的简单规则请上桌

随机游走型水平（价格、某些库存位置）：一步最优常是「明天等于今天」，即 ARIMA(0,1,0)。你花两小时定阶，若滚动一步赢不了它，工序没有创造价值。有稳定星期形态时，季节朴素「上周同一天」极难打，对应「只用季节差分、短阶为零」的极限。先让这些规则出分，再让 ARIMA 出场，报告才像竞赛而不是展示。

指数平滑：简单指数平滑与 ARIMA(0,1,1) 有亲缘；Holt 加趋势；Holt-Winters 加季节。平滑的语言是「水平、趋势、季节三个状态每天更新」，参数少，对业务好讲（「更相信最近」）。ARIMA 的语言是「相关结构与单位根」。季节明显、要快、不想读 ACF 时，我常先上 Holt-Winters，再用 SARIMA 打它。SARIMA 只有在残差还剩可用短记忆、或需要明确的诊断统计量时才值得更复杂。

趋势回归：y 对 t 做直线再加季节哑变量，适合趋势平稳、冲击会回到直线的序列。单位根上这么做会伪回归。它解释「每年固定多卖多少」很直观，解释不了「意外会住下来」。和第 3 章两种非平稳的选择一致：先看冲击是否永久。

二、对照表：形态决定工具

原文在引言里把 ARIMA 放在经典方法中的基础地位：为 SARIMA、带外生变量的扩展打底，也承认线性、季节、异常值、读图主观这些局限。对比的目的不是贬低，是给局限找替代，而不是明知平滑更合适还坚持三字母。

时间序列预测的重要性（原 1.2 的事实）：库存、发点、潮位预警、负荷计划都依赖「用过去推断还没发生的数」。方法越复杂，越要对非算法同事讲清失败时回哪。平滑失败时你检查三个状态；ARIMA 失败时你检查 d、季节、残差柱。可讲解性本身是选型指标。

⚠️ 常见坑：在深度学习竞赛成绩上羞辱 ARIMA，却拿不可复现的网络当值班模型。基线没打过，复杂模型的增益无法归因。

三、怎么比才不算作弊

同一预处理、同一持出切点、同一滚动步长。对数变换要还原后再比 MAE。季节朴素的「去年同星期」遇闰年、调休要写规则。指数平滑的初始状态不同会改分数，固定一种初始化。ARIMA 若每步重估、平滑若冻参数，也不公平——要么都冻，要么都更。

💡 关键直觉：ARIMA 的比较优势是「相关结构可诊断」。若你不打算看残差 ACF，平滑往往更省心。诊断是成本，也是 ARIMA 存在的理由。

和多变量、外生天气、促销：SARIMAX 或回归加 ARIMA 残差。经典单变量比的是「只用这一条 y」。把温度偷偷喂给其中一个模型，对比作废。深度学习时序（相邻文集主题）在长依赖、多序列、非线性上可能超出本课；仍建议先把本节基线表跑完，否则你无法知道网络是赢在非线性还是赢在多用了特征。

示意比较（教学误差，不是真实竞赛）：

1.2 对 1.3 的提升可能小于值班成本。我会问：残差是否明显更白、区间是否更诚实。若只差 0.1 件，上 Holt-Winters。若季节朴素 1.6、SARIMA 1.2 且残差季节柱消失，才值得维护季节槽。

四、亲缘关系认出来，以及和深度学习时序怎么分桌

简单指数平滑与 ARIMA(0,1,1) 在可逆条件下可以对应：平滑系数与 θ 有代数联系。Holt 的趋势平滑与带漂移的积分模型亲缘。Holt-Winters 的季节状态与 SARIMA 的季节槽竞争同一块日历重复。认亲缘的用处是：若平滑已经赢了，你的 SARIMA 即便 AIC 更好，也可能只是用更多参数复述同一套状态更新。这时选更好讲、更好维护的。若 SARIMA 残差明显更白、旺季持出更好，才值得留下季节阶。

趋势回归加月份哑变量，在趋势平稳且冲击会回到直线时，解释「每年固定多卖」非常干净。单位根上它会伪回归，残差 ACF 会揭发。所以对比桌上每条方法都要带自己的诊断：回归要看残差相关，平滑要看是否系统性落后转折，ARIMA 要看 Q 检验。只比一个 MAE、不看诊断，会选出在持出窗碰巧没转折的那个。

深度学习时序（长依赖、多序列、非线性）不在本课决赛。分桌规则：先用本节基线表在「只用这一条 y」的约束下打完；若复杂模型多用了温度、价格、文本，增益不能算在网络结构头上。基线没打过，谈不上过时。可讲解性在事故复盘时是硬需求：平滑查三个状态，ARIMA 查 d 与季节柱，网络查层数则对值班员几乎不可用。选模型时把「失败如何向非算法同事说明」写成一列。

微小 MAE 优势要过维护成本。示意表里 1.2 对 1.3 不该驱动上线。规则可以写死：持出 MAE 相对最强基线改进不到约定比例（例如一成）且残差没有明显更白，就留基线。比例由业务定，本课只要求你先有基线分。

五、动手对照：同一持出先打三条基线

朴素水平、季节朴素、Holt-Winters（若有季节）必须出分，再让 ARIMA/SARIMA 出场。变换还原后比 MAE。微小优势不过维护成本则留基线。残差更白且旺季不再系统性偏，才值得留季节阶。复杂模型多用了外生变量，增益不能算在结构头上。

问题：简单指数平滑相当于哪个 ARIMA？

常与可逆的 (0,1,1) 亲缘。Holt-Winters 与 SARIMA 竞争同一块日历重复。认亲缘是为了少调参、好维护。

问题：趋势回归什么时候能上桌？

趋势平稳、冲击会回直线。单位根上会伪回归，残差 ACF 会揭发。

六、场景推演（示意，非真实序列）

同一持出、同一还原，先打朴素、季节朴素、Holt-Winters。示意 MAE 1.2 对 1.3 不驱动上线，要看残差是否更白、旺季是否不再偏。认亲缘：简单平滑近 (0,1,1)，Holt 近带漂移积分，Winters 与 SARIMA 抢日历重复。趋势回归只给趋势平稳，单位根上假显著。深度学习时序另桌，先用「只用这一条 y」打完基线，多用了温度就不能把增益算给网络。可讲解性写成一列：失败时平滑查三状态，ARIMA 查 d 与季节柱。改进不到约定比例留基线。泄漏外生变量会让对比作废。微小优势不值维护成本，选能值班的那个。

七、口令卡与计算备忘

口令：同一持出先打朴素、季节朴素、平滑，再打 ARIMA 族。亲缘认出来少调参。(0,1,0) 是朴素，(0,1,1) 近简单平滑。趋势回归只给趋势平稳。微小 MAE 不值维护成本。复杂模型多用外生则增益不能算给结构。可讲解性是选型列。泄漏温度会作废对比。深度学习另桌，先完成本课基线表。把「赢不了基线不上线」写成方法桌的桌规，报告才像竞赛。

八、原文要点补全

原文 1.3 把经典方法当基础、直观、有效、基准。简单方法：朴素等于最近值，适随机游走；简单平均等于全部历史均值，适稳定水平，对异常敏感；移动平均等于最近 N 个平均，N 影响平滑。分解：加法与乘法。指数平滑：SES 只有水平与 α；Holt 加趋势与 β；Holt-Winters 再加季节与 γ，分加法型与乘法型，参数常优化得到。回归分析可引入时间、滞后或外部因素，但不是专为时序设计。ARIMA 族能捕捉复杂依赖，理论基础扎实，也是本教程重点。把这些方法放在同一持出规则下打分，认亲缘（SES 近 (0,1,1)）是为了少调无增量的参。微小 MAE 优势不值维护成本，选能讲解、能值班的。

对照表（补全动作）

九、示意算术走一遍

同一持出算四行示意 MAE：朴素 2.4、季节朴素 1.6、Holt-Winters 1.3、SARIMA 1.2。1.2 对 1.3 不驱动上线，除非残差季节柱消失且旺季不再系统性偏。SES 的 α 与 ARIMA(0,1,1) 的 θ 可对照着认亲缘，认清是为了少养一套重复模型。Holt 的 β 对应趋势更新，单位根上趋势回归会假显著，不要把回归 R 方拿来和 Holt 比。深度学习若多用了温度，本课基线表作废，增益不能算给网络结构。把「先打三条简单规则」写成方法桌桌规，报告才像竞赛而不是展示三字母。改进不到一成且残差没有明显更白，就留更好维护的那条平滑或朴素规则。

重点提炼

• 先请朴素和季节朴素上桌：赢不了它们，ARIMA 无增量。
• 平滑擅长状态更新，ARIMA 擅长相关诊断：按你是否真的做诊断来选。
• 若干 ARIMA 特例就是平滑或朴素：认出来可少调参。
• 趋势回归只给趋势平稳：单位根上会伪回归。
• 同一持出规则才可比：变换还原、是否重估要对齐。
• 可讲解性是指标：失败时要知道回哪一刀。
• 微小 MAE 优势不值维护成本：选能值班的那个。

下一节处理另一把常被滥用的尺子：R 方等拟合优度，为什么它们不能当预测成绩。