门店要备下周的货，运营翻出过去两年的日销量，让你给个预测。很多 AI 工具在这里会直接吐出一个数字，可这事看着像拟合一条曲线，难点其实在别处：数据带着顺序，昨天的销量会影响今天的库存，任何把日期打乱的统计手法都会把最关键的信息弄丢。时间序列分析处理的正是这类带时间标签的数据。这篇讲清趋势、季节、噪声怎么拆开看，平稳性为什么被反复强调，未来信息是怎么在不知不觉中漏进模型的，以及预测能力的真实上限在哪。
顺序为什么改变了一切
普通表格数据里，样本之间默认相互独立，随机打乱再切训练测试集是标准做法。时间序列不满足这个前提：相邻两期高度相关，今天的值很大程度上由昨天决定。打乱顺序等于把谁在前谁在后这条信息销毁，模型在训练时看到的是现实中不可能发生的输入组合。所以划分必须按时间切，用前面的预测后面的；特征也要按当时能不能拿到构造，滞后项、滚动统计都是常见做法，但它们的时间窗口必须严格落在预测点之前。这一条纪律听起来简单，实际项目里出问题最多的就是它。
拆成三块，判断才不糊涂
一条销量曲线里通常混着三种东西。趋势是长期的走向，比如用户量逐季增长；季节是固定周期的重复波动，比如周末订单多、月底结算集中；剩下解释不了的部分算噪声。拆开的意义在于分清变化来自哪里：这个月跌了两成，是趋势转头了，还是只是季节性的低谷，还是某次促销结束后的回落？不拆开看，很容易把一次正常波动当成危机，或者把趋势性下滑当成临时波动而错过调整窗口。波动幅度随规模一起放大的数据，还需要先取对数再拆。
四类做法，各自的假设与代价
预测方法的选择，本质是选一套你愿意相信的假设：
| 方法 | 核心假设 | 适合的序列 | 失效条件 |
|---|---|---|---|
| 朴素法与移动平均 | 下一期约等于最近几期的平均 | 极短周期、变化平缓 | 有趋势或季节时系统性偏低或滞后 |
| 指数平滑 | 趋势与季节可按固定衰减延续 | 周期稳定、历史较长的业务指标 | 出现结构断点后仍按老规律外推 |
| ARIMA 一类 | 序列可由自身滞后项与误差项线性解释 | 平稳化之后的中短期预测 | 非线性关系、强外部驱动时解释力不足 |
| 树模型加滞后特征 | 历史模式在特征空间里可被分段拟合 | 多变量、外部因素影响明显 | 无法外推超出历史范围的水平变化 |
这张表想说明一件事：没有普适的最优方法，只有假设是否成立。树模型能吸收大量外部变量，却天生不擅长外推趋势，因为它只会输出历史见过的值域；ARIMA 擅长刻画自相关，却要求序列先平稳。理解 ARIMA 的差分和平稳化思路，对判断任何预测结果都有帮助。
平稳性在要求什么
平稳大致指序列的均值、波动幅度、自相关结构不随时间改变。经典方法要求它，是因为这些方法的逻辑是用过去的规律推未来，规律本身在变，推出来的东西就没有意义。检验上常用单位根检验，处理上常用差分：用相邻两期的差代替原值，把趋势消掉。差分不是免费的，每差一次就丢一个样本，过度差分还会引入人为的负相关。深度模型看起来绕过了平稳性要求，其实只是把问题换了个形式——它同样假设训练期的模式在预测期继续有效，遇到 数据漂移 一样会失准。
结构突变它接不住
时间序列模型擅长延续，不擅长转折。政策变化、竞品突然降价、一次供应链中断，这类结构性断点没有任何历史模式可以参照，模型只能事后追赶。多步预测的误差会累积，预测得越远越不可靠，所以给出预测时应该同时给区间，而不是一个孤零零的数字。最常见的失败其实来自数据泄漏：用当月均值做特征，而这个值月底才拿得到；在划分之前就对全量数据做了标准化；用未来的促销计划去解释过去的销量。这些错误在训练集上表现极好，上线后立刻崩掉，而且很难从指标上看出来。想避免，就得对每个特征问一句：在预测那一刻，这个数真的存在吗。
对普通人的意义
看到一份预测，先问三个问题：预测多远、误差区间多大、和照搬上周这种简单基线比好多少。很多复杂模型在短期预测上打不过朴素基线，却因为看起来高级被采用。这三个问题不需要专业知识，却能挡掉大部分不靠谱的结论。序列建模的另一条路线是用循环网络直接学时序依赖，可参考 LSTM 的机制，但换模型不改变上面这些前提，该泄漏的还是会泄漏。
速查：时间序列
- 三条纪律：按时间切分、特征只用当时可得、先看基线
- 三个成分：趋势、季节、噪声，先拆再建模
- 平稳性：均值方差自相关不随时间变，不满足就差分
- 最大陷阱：未来信息泄漏，训练指标好看上线就崩
