时序预测是什么？根据历史数据推断未来走势

时序预测（Time-Series Forecasting）是根据按时间顺序记录的历史数据，推断未来变化的技术。明天的气温、下个月的销量、未来一周的电力负荷、服务器下一小时的访问量，都是时序预测要回答的问题。它的核心是从历史数据中找出规律：长期的趋势，按天、按周、按年重复的周期和季节性，以及节假日、促销这类特殊事件的影响。

经典统计方法

时序预测的历史很长，理论基础来自统计学的时间序列分析。自回归模型（AR）用过去的值预测未来，移动平均模型（MA）用过去的预测误差修正预测，两者结合并处理趋势后就是著名的 ARIMA 模型。还有专门处理季节性的指数平滑方法。这些方法简单、可解释、对数据量要求不高，至今仍然是很多业务的首选基线。

深度学习方法

随着数据规模变大、关系变复杂，研究者开始用神经网络捕捉非线性的时间依赖，比如循环神经网络（RNN）和 LSTM。Transformer 出现后也被引入时序预测，但它的计算量随序列长度平方增长，难以处理很长的序列。2021 年获得 AAAI 最佳论文奖的 Informer，针对长序列预测提出了稀疏注意力等改进，降低了时间复杂度和内存占用，并能一次性输出整段预测结果，在电力消耗等长序列预测任务上效果明显。此后又有 Autoformer、PatchTST 等大量改进方法。

时序基础模型

近年来出现了“时序大模型”的思路：在海量、多领域的时间序列数据上预训练一个通用模型，遇到新的预测任务时，不用重新训练就能直接预测（零样本预测），比如谷歌的 TimesFM、亚马逊的 Chronos 等。

实践中的提醒

时序预测最大的敌人是“意外”：疫情、政策变化、突发事件会让历史规律失效。所以好的预测系统不只给一个数，还会给出置信区间，并持续监控预测误差、及时更新模型。在很多业务里，复杂的深度模型不一定比调好的经典方法强，先建一个简单的基线很重要。