網絡互聯設備的增長帶來了大量易於訪問的時間序列數據，越來越多的公司對挖掘這些數據感興趣，從而獲取了有價值的信息並做出了相應的數據決策。作為一家根植於數據的公司，Esensoft多年來致力於尋找如何管理日益增長的數據，幫助合作夥伴對市場做出預測分析。
什麼是時間序列預測？
了解時間序列預測前，先看下圖：
這是2012年6月時，FXSTREET網站對道瓊斯指數未來兩月的預測(紅線標示)。這就是時間序列預測典型的應用場景。
時間序列是現實生活中經常會碰到的跟時間變化有關的數據形式。例如北京市連續一年PM2.5指數、某股票的股票價格、淘寶上某件商品的日銷售件數等等。時間序列分析的目的是挖掘時間序列中隱含的信息與模式，並藉此對此序列數據進行評估以及對系列的後續走勢進行預測。
簡單的說，時間序列預測就是尋找歷史時間序列中的數據變化規律，以預測未發生時間的趨勢。
時間序列預測的方法
時間序列可以有這麼幾種形式：按分鐘、小時、天、按季度、按月份、按年來排列的連續序列，而且序列是數值序列，不是名義序列。比如每天空氣質量，每個季度的凈利潤，每年的銷售額，中間不能有斷序，不能有重合，嚴格按照時間軸來敘事。時間序列依據其特徵，有以下幾種表現形式，併產生與之相適應的預測方法：
- 長期趨勢變化：受某種基本因素的影響，數據依時間變化時表現為一種確定傾向，它按某種規則穩步地增長或下降。使用的分析方法有：移動平均法、指數平滑法、模型擬和法等。
- 季節性周期變化：受季節更替等因素影響，序列按固定周期規則性的變化，又稱商業循環。使用的分析方法：季節指數。
- 循環變化：周期不固定的波動變化。
- 隨機性變化：由許多不確定因素引起的序列變化。使用的方法有AR、MA、ARMA模型等
數據挖掘平台WonderDM內置了Holt-Winters（三次指數平滑算法），適用於季節性周期變化的時間序列預測。除此這外，通過內置的R算法包，還可以用ARIMA算法實現隨機性變化的時間序列預測。
時間序列預測的步驟
2017年已經過去，關心國家經濟發展同學們一定很期待中國在2017年的GDP增長情況。接下來我們在數據挖掘平台WonderDM中介紹一下用Holt-Winters算法利用歷史數據預測我國在2017年GDP表現如何，看看與實際的是否相符。
1、準備數據
我們從網上收集了從1990年到2016年中國國內生產總值的數據集。通過圖形探索線狀圖查看數據變化趨勢：
通過上圖可以看到，GDP隨年份呈指數增長趨勢，存在一定的規律性。
2、訓練模型
先創建一個挖掘過程，選擇時間序列Holt-Winter，進入挖掘過程界面。
我們選擇準備好的「中國GDP」數據集，選擇YEAR_字段為時間戳字段，GDP_字段為預測字段，因為我們數據集數據並不太多，設置所有數據參與預測(訓練數據最大行數大於實際數據行數即可)。因為GDP是按每年為一個周期，季節周期設置為1。預測期數為1，只預測2017年。時間戳格式為年份yyyy。設置完後，點擊」訓練模型」菜單查看訓練出來的預測模型。
如上圖所示，系統預測出2017年，我國的GDP為11.43萬億美元。圖上實線為歷史數據，虛線為預測數據，可以看出，從2006年開始，預測的數據比實際數據偏低。同時可以看到預測值的平均絕對誤差為22.95%，有點偏大，而置信區間沒有。這些都意味着，預測的2017年的GDP數據可能不準。這需要我們調整參數，讓預測值更准。點擊模型參數的高級參數面板，調整以下幾個參數：
- 水平平滑係數用於平衡水平方向的波動，取值如果靠中，意味着平衡了較近和較遠的觀測值的影響；
- 趨勢平滑係數用於平衡趨勢波動，值越小，趨勢的波動越小；
- 季節平滑係數用於平衡季節波動，取值越大，表明當期季節部分預測僅僅基於最近的觀測值。
這三個係數取值範圍是0-1，值越大，影響權重就越大。我們分別將這三個係數調整為0.4,0.5,0.9。再看一下調整後的預測效果。
可以看到，調整參數後的歷史的預測值跟歷史實際值更為接近，同時平均絕對誤差減少為6.65%，置信區間也在合理範圍內。所以，我們最終預測的2017年GDP為11.9萬億美元，可能的GDP範圍在11.19萬億美元-12.71萬億美元之間，與官方公布的127238億美元非常接近，預測為準確的。
時間序列預測，可以讓我們透過歷史數據，洞悉未來趨勢。時間序列分析常用在國民經濟宏觀控制、區域綜合發展規劃、企業經營管理、市場潛量預測、氣象預報、水文預報、地震前兆預報、農作物病蟲災害預報、環境污染控制、生態平衡、天文學和海洋學等方面。看了此文，你是不是開始蠢蠢欲動，想用來預測一把明天的股票價格呢？
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-