时间序列分析，通常被称为time series method，是一种常用的数据分析技术，其主要应用于预测和理解随着时间推移而变化的现象。这个方法关注四种关键的变动因素：
长期趋势(T) - 长期趋势代表了事物在预测期间的整体发展方向，可能是持续增长或下降。
周期变动(C) - 以固定时间间隔重复出现的波动，例如经济周期中的衰退与复苏循环。
季节变动(S) - 一年中的周期性变化，如零售业中销售额的季节性起伏。
偶然变动(I) - 非常规的、无法预测的变动，也称为随机变动。
这些变动因素可以通过不同的方式组合在一起，形成加法模式（=T+C+S+I），或者乘法模式（=T×C×S×I），以描述时间序列数据的复杂结构。时间序列分析方法主要分为两个类别：
直接建模 - 不对每个变动因素进行细分，而是直接使用时间序列数据构建数学模型进行预测，这种方法简单直接。
预处理和细分 - 通过针对性地处理这些变动因素，如剔除季节性影响（季节变动法）、移动平均分析、指数平滑法、自回归模型（AR），或者利用时间函数拟合等技术，来提取出更精确的预测模型。
扩展资料利用按时间顺序排列的数据预测未来的方法，是一种常用的。事物的点击此处添加图片说明发展变化趋势会延续到未来，反映在随机过程理论中就是时间序列的平稳性或准平稳性。准平稳性是指时间序列经过某种数据处理（如一次或多次差分运算）后变为平稳的性质。