時間序列分析必須建立在預處理的基礎上……
今天看了一條新聞體會到了網絡日志的重要性……
指數平滑法（Exponential Smoothing，ES）是布朗(Robert G..Brown)所提出，布朗、認為時間序列的態勢具有穩定性或規則性，所以時間序列可被合理地順勢推延；他認為最近的過去態勢，在某種程度上會持續的未來，所以將較大的權數放在最近的資料。
ARIMA模型全稱為差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model,簡記ARIMA)，是由博克思(Box)和詹金斯(Jenkins)於70年代初提出的一著名時間序列預測方法，所以又稱為box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）稱為差分自回歸移動平均模型，AR是自回歸, p為自回歸項; MA為移動平均，q為移動平均項數，d為時間序列成為平穩時所做的差分次數。
或者說，所謂ARIMA模型，是指將非平穩時間序列轉化為平穩時間序列，然后將因變量僅對它的滯后值以及隨機誤差項的現值和滯后值進行回歸所建立的模型。ARIMA模型根據原序列是否平穩以及回歸中所含部分的不同，包括移動平均過程（MA）、自回歸過程（AR）、自回歸移動平均過程（ARMA）以及ARIMA過程。
我想起了移動平均法
一.預處理步驟：數據--定義日期；轉換--創建時間序列。
最后一幅是預處理完成后的結果……
二.指數平滑模型
以上題數據為基礎……
三.ARIMA模型
和上一個其實是一樣的，只不過方法選成ARIMA模型就好……
四.季節分解模型
ERR表示進行季節性分解后的隨機波動的序列。
SAS表示進行季節性分解除去季節因素后的序列。
SAF表示進行季節性分解后產生的季節性序列（和分析結果的數據一致）。
STC表示分解去來的序列趨勢和循環成分。