提供时间序列模型概览
学习目标
介绍时间序列预测模型的主要类型和类。
时间序列是定期记录的一系列数据点。时间序列分析用于分析趋势、季节性和其他模式，以了解过去的行为并预测未来值；它在市场营销、财务、医疗等各个字段中都有价值，从而基于历史数据集做出明智的决策和预测。
通常，时间序列预测可以分为两种主要类型，即单变量和多变量。前者涉及根据单个变量的历史数据预测未来值，例如，如果要记录给定地理区域的每小时风速值，并打算使用历史风速记录预测未来风速。
时间序列预测模型和技术
另一方面，多变量时间序列预测使用多个相关变量来预测未来值。例如，以上是风速预测的示例，但多变量预测还考虑了其他与天气相关的特征，例如大气压力、太阳风暴强度和温度等。总之，多变量场景考虑多个变量来预测目标变量，在本例中为风速。
总体而言，时间序列预测算法可以拆分为以下类：
经典/统计模型：加法模型、移动平均值、指数平滑法、ARIMA、SARIMA、TBAS
机器学习方法：线性回归、XGBoost、随机森林
深度学习：循环神经网络 (RNN)、长短期内存 (LSTM)、卷积神经网络 (CNN) 和变压器，在需要考虑短期和长期趋势（即股价预测和天气预测）的任务中表现得非常好
时间序列相加式模型考虑时间序列可以通过将时间序列相加来拆分为其组件（趋势、季节性、周期性和不规则）。即，任何给定时间点的观察值都是这些单个组件的总和。
在 SAP HANA 中，相加式模型 [1] 是一种时间序列预测模型，其中观测值是趋势、季节性和残差构成项的总和。它是 SAP HANA 预测分析库 (PAL) 的关键部分，对于呈现强烈季节性模式的数据特别有用。