时间序列分析基础：趋势、周期与季节性

时序侦探手记：从噪声里打捞信号的实战指南

一句话定位：这是一份把时间序列当作"案发现场"来勘察的实操教程——围绕趋势、周期、季节性、噪声四个证据维度，用 Python 真实数据带读者从"看图猜故事"走到"建模定罪"。

这个教程解决什么问题

2008 年雷曼破产前三个月，几乎所有基于历史均值外推的模型都还在说"信用利差稳定"；2014 年埃博拉在西非爆发时，某机构的发病数预测曲线比真实曲线低两个数量级；2020 年初，主流零售预测系统对口罩、消毒液的预测误差动辄十倍起跳。这些翻车案例背后都有一个共同病灶：分析师把时间序列当成"过去值的延伸"，没有把它当成"有嫌疑人、有动机、有证据链的案件"来勘察。

本教程以"时序侦探手记"为主调，训练你像侦探一样处理任何按时间排列的观测值。每一节都用真实的股票、气温、销售、网页流量等数据集做完整演练：从现场勘查（数据清洗、采样频率统一），到线索发现（趋势剥离、季节性分解、周期识别），再到推理定罪（ARIMA、Prophet、Holt-Winters 等模型族），最后写出案件卷宗（评估指标、预测区间、异常点解释）。

适合谁读

• 已经会用 Python 处理表格数据，但遇到带时间戳的数据就发怵的工程师。
• 做过几次销量预测、用户增长预测，但不知道选 MA 还是 ARIMA 的数据分析师。
• 听过"平稳性""白噪声""自相关"这些词但没真正用上过的产品经理与运营。
• 想要补足时序分析基础、研究 Prophet / LSTM / Transformer-for-time-series 等后续方法的在校生。

学完你能做什么

1. 拿到任何时间序列，能在 10 分钟内判断它有没有趋势、季节性、长周期，并解释证据。
2. 用 Python（pandas / statsmodels / Prophet / numpy）做完整的分解、平稳化、建模、预测。
3. 读懂 ACF / PACF 图，选定 ARIMA 的 p、d、q 与季节项 P、D、Q。
4. 用 MAE / RMSE / MAPE / 预测区间评估模型，写出一份不像玄学的时间序列分析报告。

学习路线

怎么用这个教程

按章节顺序读。每节都给完整可跑的 Python 代码片段和真实数据集脚手架（Shampoo 销量 / 气温 / 航空乘客 / 网页访问等经典样本），动手跑一遍比看三遍更有用。章与章之间不强制"看完全部前一章才能进下一章"，但第三章以后会反复引用第二章的加法 / 乘法分解框架，建议先打牢。

每章预计 60–90 分钟（含跑代码时间）。需要 Python 3.9+ 与 statsmodels、pandas、numpy、matplotlib、prophet 等基础包。不必准备 GPU——所有演示都跑在 CPU 笔记本上。