进行基于ARIMA模型的需求预测

文章框架：

• 时间序列的分析方法？
• ARIMA的定义是什么？
• ARIMA的数学表达形式？
• 输入与输出分别指什么？
• 如何应用？－代码示例
• 遇到的典型疑问？

时间序列分析方法

时间序列是指按照时间先后顺序排列，并且会随着时间推移而发生变化的数据集合。
在日常生活和各个行业中，存在大量与时间序列相关的数据，例如销售额、顾客数量、网站访问量、股票价格、石油价格、国内生产总值以及气温等。

随机过程具有诸如均值、方差和协方差等统计特性。
当随机过程的这些统计特性随时间发生改变时，该过程被视为非平稳过程；反之，若这些统计特性在时间推移过程中保持不变，则该过程被称为平稳过程。
如图所示，左侧图像呈现的是非平稳状态，而右侧图像则表现出平稳特征。

在对非平稳时间序列进行分析的过程中，若其非平稳特性源于明确可识别的因素，则可采用的主要处理方式包括趋势拟合模型、季节性调整模型、移动平均法以及指数平滑等方法。
倘若非平稳现象的产生与随机因素相关，则常用的应对策略主要包括ARIMA（自回归积分滑动平均