詳細解釋
時間序列（Time Series）是按時間順序排列的數據點序列，是預測、異常檢測和信號處理的核心數據類型。
核心特性：
- 時間依賴：當前值與歷史值相關
- 趨勢（Trend）：長期的上升或下降模式
- 季節性（Seasonality）：週期性重複的模式
- 自相關：序列與自身滯後版本的相關性
分析方法：
- 統計方法：
- ARIMA：自回歸整合移動平均模型
- 指數平滑：加權平均，近期權重高
- GARCH：波動率建模
- 機器學習：
- 循環神經網絡 (RNN)、長短期記憶網絡、門控循環單元：處理序列的循環網絡
- Transformer架構 (變換器 / 注意力模型) (Switch Transformer)：時間序列的注意力機制（Informer）
- 卷積神經網絡 (CNN)：一維卷積提取局部模式
- 梯度提升：XGBoost、LightGBM (輕量梯度提升)用於結構化時間特徵
- 深度學習新趨勢：
- N-BEATS、N-HiTS：純深度學習架構
- PatchTST：基於Patch的Transformer
- 擴散模型：時間序列生成
預測任務：
- 單步預測：預測下一個時間點
- 多步預測：預測未來多個時間點
- 長期預測：預測遙遠的未來（難度大）
應用領域：
- 金融：股票價格、匯率預測
- 能源：電力負載、可再生能源預測
- 供應鏈：需求預測、庫存優化
- 物聯網：傳感器數據分析
- 醫療：生理信號監測
挑戰：
- 非平穩性：統計特性隨時間變化
- 多尺度：不同頻率的模式疊加
- 外生變量：外部因素影響
- 因果性：區分相關性和因果性
時間序列分析是預測性AI的重要組成。