根据权威信息源，时间序列模型主要分为以下三类，涵盖单变量与多变量场景：
一、单变量时间序列模型
-
ARIMA（自回归积分滑动平均模型）
适用于非平稳数据，通过差分处理后结合自回归（AR）和滑动平均（MA）进行建模。例如电商销量、气温变化等具有趋势和季节性的数据。
-
SARIMA（季节性ARIMA）
在ARIMA基础上增加季节性差分，适用于具有固定季节性模式的数据，如月度销售数据中的季度波动。
-
指数平滑法
通过加权平均历史观测值预测未来值，适用于数据波动较小且趋势稳定的场景，如股票价格短期预测。
二、多变量时间序列模型
-
VAR（向量自回归模型）
考虑多个相关变量的线性关系，适用于经济指标、金融市场等多变量数据。
-
VARIMA（向量自回归积分滑动平均模型）
结合差分和滑动平均处理多变量数据，适用于多变量时间序列的预测。
三、其他常用模型
-
Prophet ：由Facebook开发，结合了AR模型与神经网络优势，适用于具有复杂季节性和节假日效应的数据，如旅游预订量。
-
深度学习模型（如LSTM） ：适用于非线性关系复杂的时间序列，如股票价格预测，但需大量数据训练。
选择建议 ：
-
单变量且趋势稳定可选ARIMA或指数平滑；
-
多变量或存在季节性波动可选SARIMA或Prophet；
-
复杂场景可尝试深度学习模型。
本文《三种时间序列模型》系辅导客考试网原创，未经许可，禁止转载！合作方转载必需注明出处：https://www.fudaoke.com/exam/2389760.html