概念卡：时间序列 Time Series
概念卡：时间序列 Time Series
一句话定义
时间序列是按时间顺序观测到的数据。
它解决什么问题
它用于分析趋势、周期、滞后关系、波动和未来预测。
典型使用场景
- 金融价格或收益率。
- 系统负载和传感器数据。
- 用户行为或社会指标随时间变化。
需要知道的关键词
- Trend
- Seasonality
- Autocorrelation
- Stationarity
- Forecasting
和导师方向的关系
极值、应用统计、大数据和复杂系统都可能遇到时间序列，尤其是极端事件随时间出现的问题。
交流时可以怎么说
时间序列不能简单当作独立样本处理，因为相邻时间点之间可能存在自相关。
我会先看趋势、季节性和自相关，再考虑预测或异常检测方法。
可以追问的问题
- 数据是否平稳？
- 是否存在季节性或周期性？
- 训练集和测试集是否按时间顺序划分？
给 AI 的提示词
请解释时间序列和普通回归数据的区别。要求说明趋势、季节性、自相关、平稳性，并给 Python 可视化示例。
我的理解边界
- 已理解：时间顺序和自相关很重要。
- 还不确定：ARIMA 等模型细节。
- 下次需要补：平稳性。