时间序列分析是分析在一个时间间隔内收集的一系列数据点的具体方式。在时间序列分析中，分析师在设定的时间段内以一致的时间间隔记录数据点，而不仅仅是间歇性或随机地记录数据点。然而，这种类型的分析并不仅仅是在一段时间内收集数据的行为。
时间序列数据与其他数据的不同之处在于，分析可以显示变量如何随时间变化。换句话说，时间是一个至关重要的变量，因为它显示了数据在数据点的过程中是如何调整的，以及最后的结果。它提供了一个额外的信息来源和数据之间的依赖关系的设定顺序。
时间序列分析通常需要大量的数据点以确保一致性和可靠性。一个广泛的数据集可以确保你有一个有代表性的样本量，并且分析可以穿过嘈杂的数据。它还能确保发现的任何趋势或模式不是离群值，并能说明季节性差异。此外，时间序列数据可用于预测–根据历史数据预测未来数据。
为什么组织使用时间序列数据分析
时间序列分析有助于组织了解随着时间推移的趋势或系统模式的根本原因。使用数据可视化，企业用户可以看到季节性趋势，并深入挖掘这些趋势发生的原因。通过现代分析平台，这些可视化可以远远超出线图的范围。
当组织在一致的时间间隔内分析数据时，他们也可以使用时间序列预测来预测未来事件的可能性。时间序列预测是预测性分析的一部分。它可以显示数据中可能出现的变化，如季节性或周期性行为，从而更好地理解数据变量，帮助更好地预测。
由于时间序列分析包括许多类别或变化的数据，分析家有时必须做出复杂的模型。然而，分析家们不可能考虑到所有的变异，他们也不可能将一个特定的模型概括到每个样本上。太复杂的模型或试图做太多事情的模型会导致缺乏拟合。缺乏拟合或过度拟合的模型会导致这些模型不能区分随机误差和真实关系，使分析出现偏差，预测不正确。
时间序列分析的模型包括：
分类：识别并给数据分配类别。
曲线拟合：沿着曲线绘制数据，研究数据中变量的关系。
描述性分析：识别时间序列数据的模式，如趋势、周期或季节性变化。
解释性分析：试图理解数据和其中的关系，以及原因和结果。
探索性分析：突出时间序列数据的主要特征，通常以可视化的形式。
预测：预测未来的数据。这种类型是基于历史趋势的。它使用历史数据作为未来数据的模型，预测沿着未来情节点可能发生的情况。
干预分析：研究一个事件如何能改变数据。
分段分析：将数据分割成片段，以显示源信息的基本属性。
下面是一个高级时间序列模型的代写案例：
