3.1 趋势的表现形式：线性、指数、S 形

3.1 趋势的表现形式：线性、指数、S 形

本节摘要：趋势并非只有"上升的线"这一种形态。本节系统化地介绍四类趋势——线性、指数、S 形、分段——用代码合成各自的样本，并讨论如何根据业务直觉挑选最合适的形态。

学习目标速览

阅读完本节，你应当能够：

1. 区分线性、指数、S 形、分段四种趋势形态。
2. 用 numpy 合成各自的样本并画图对比。
3. 根据业务场景初步判断"哪种趋势形态最合适"。

本节回到 1.2 节那个 SaaS 反例：早期指数、S 形饱和、后期选错形态会让预测误差 5 个数量级。读完后你能为业务数据选对趋势形态，而不是机械套线性外推。

一、为什么形态选择至关重要

回到 1.2 节的反例：某 SaaS 公司 2018–2020 年早期用户数 100 → 1000 → 8000 增长。用线性外推预测 2024 年用户数 = 2018 + 6 × 增长率 = 2 万；但实际已经接近 50 万——误差 25 倍。

错就错在"线性"假设。早期 SaaS 增长是指数（每个用户带来 N 个新用户的病毒系数），到一定规模后会饱和（S 形），再用指数外推就会离谱地高估。选对趋势形态，比挑一个花哨的模型更重要。

二、四种典型形态

import numpy as np
import matplotlib.pyplot as plt

n = 100
t = np.arange(n)

# 1) 线性：每期 +常数
linear = 50 + 0.8 * t

# 2) 指数：每期 × 固定增长率
exp = 50 * np.exp(0.04 * t)

# 3) S 形 / Logistic：早期慢、中期快、后期饱和
sigmoid = 1000 / (1 + np.exp(-0.1 * (t - 50)))

# 4) 分段线性：在 t=50 处突然改变斜率
piecewise = 0.5 * t + (t >= 50) * (5 * (t - 50))

fig, axes = plt.subplots(2, 2, figsize=(10, 6))
for ax, y, title in zip(axes.ravel(),
                        [linear, exp, sigmoid, piecewise],
                        ["线性", "指数", "S 形", "分段线性"]):
    ax.plot(t, y)
    ax.set_title(title)
plt.tight_layout()
​

从图上可以直观看到：

• 线性：斜率恒定。适合"年增长 5%"这种稳定的业务指标。
• 指数：增长率恒定。适合"复利"、"病毒式传播"、产品早期渗透。
• S 形：早期慢、中期快、后期饱和。适合"产品从尝鲜到成熟"、"行业从新兴到饱和"。
• 分段：在某个时间点切换斜率。适合"政策变更"、"产品重大发布"等造成结构性突变的场景。

三、用业务场景反推形态

四、把形态写进模型

不同形态的数学表达，决定了下游用什么模型拟合：

💡 关键直觉：分段线性是最稳的工程默认。它不要求你选对"完美形态"，只要求识别出变点。Prophet 默认就是分段线性 + 季节性 Fourier 项 + 误差项的组合，对业务数据非常友好。

五、一个反例：选错形态的代价

回到开头那个 SaaS 案例。如果用线性外推，2018 → 2024 年用户数预测为 2 万；用指数外推，预测为 12 亿（明显离谱）；用 S 形外推，预测 50 万（接近实际）。三种数学形态，预测结果相差 5 个数量级。这就是为什么趋势形态不是"模型细节"，而是"模型地基"。

本节要点回顾

• 四类形态：线性、指数、S 形、分段。
• 业务直觉映射：成熟业务 → 线性 / S 形；新兴业务 → 指数 / S 形；政策敏感 → 分段。
• 工程实现：线性 / 对数线性 / 非线性最小二乘 / 变点检测。
• 选错代价：可能造成 5 个数量级的预测误差。
• 下一节线索：3.2 进入"识别"环节——三种工具（移动平均、LOESS、回归）各适合什么场景。

侦探笔记：5 种趋势形态的快速判别

实操中遇到的 90% 的趋势，都能归到这 5 种形态之一：

1. 零趋势（平稳）：均值围绕常数波动，斜率为 0。ACF 快速衰减。
2. 线性趋势：均值随时间匀速变化。线性回归斜率显著非零。
3. 指数趋势：均值随时间指数变化（年增长 30% 之类）。取对数后变线性。
4. S 形趋势：先慢后快再慢，典型如产品采用曲线。Logistic 拟合。
5. 分段趋势：在不同时间段斜率不同（产品上线 → 增长 → 平稳 → 衰减）。分段线性或断点回归。

判别流程

from statsmodels.tsa.stattools import adfuller
import numpy as np
y = series.values
# 1. ADF 检验：p>0.05 → 有趋势
adf_p = adfuller(y)[1]
# 2. 差分后再 ADF，p<0.05 → 一阶差分可平稳化
adf_d1 = adfuller(np.diff(y))[1]
# 3. 差分次数 = d（ARIMA 的 d）
​

反例

很多教程把"趋势"默认设为线性。但现实中 S 形、分段、指数趋势更常见。识别错了形态，模型会系统性地高估或低估未来值。

侦探笔记：判别顺序

实操中遇到趋势，按这个顺序判别：

1. 先判别是否平稳（ADF 检验）：p > 0.05 → 有趋势，继续下一步；p ≤ 0.05 → 零趋势，跳到第 4 步
2. 看斜率：画散点 + 线性回归。如果斜率显著非零，是线性趋势
3. 看斜率变化：如果斜率本身在变，是多项式/S 形/分段趋势
4. 看周期性叠加：零趋势 + 强周期 → 周期型时间序列（不是趋势问题）

反例

"长期上升"不一定是趋势。如果只是周期性波动的"上升段"，不是趋势；只是事件驱动的"一段暴涨"，也不是趋势。判别趋势一定要用 ADF + 回归 + 视觉综合判别，单一指标不可靠。