利用时间序列数据利用三个数据

时间序列数据经常出现在业务活动中。使用这种时间序列数据有几种类型的数据分析和利用（数据科学实践）。

可能还有其他，但这是您经常看到的三个。这一次，我将讲“使用时间序列数据的三个数据利用”。

【目录】

1.时间序列异常检测
(1)时间序列分类
(2)时间序列预测
2.递归预测
3.直接预测

1.时序异常检测

“时间序列异常检测”是数据分析和利用（数据科学实践），如果有销售和订单的销售和网站的页面浏览量和转化等指标，可以立即完成。..

通常，使用比异常检测目标数据更早的数据建立数学模型，并执行异常检测。“时间序列异常检测”是我多次触及的话题。有使用时间序列分析的数学模型的情况，也有使用不专门用于时间序列的线性回归、树系统或神经网络系统的数学模型的情况。

“时序分类”对工厂传感器数据、心电图数据等时序波形进行分类，如果提取出异常波形并进行分类，则进行异常检测。考虑到前面提到的异常检测，这个类别的异常检测是一个多元异常检测的问题。

通常，不是用标记为异常/正常的波形数据（时间序列数据）构建分类模型并检测或预测异常，区别在于波形模式如何根据异常/正常而有所不同。我将分析它的含义。

根据分析结果，它可以作为异常检测和预测的数学模型的特征，也可以与一些改进活动或措施联系起来。

“时间序列预测”实际上是对未来的预测。

当您获得时间序列数据时，它是您想要进行的第一个数据分析和利用（数据科学实践）。与异常检测类似，有使用时间序列分析的数学模型的情况，也有使用非时间序列专用的线性回归、树系统或神经网络系统数学模型的情况。

抛开使用什么样的数学模型的话题，从“如何预测？”的角度来看，使用时间序列数据的预测主要有两种类型。

通常，对于同一类型的数学模型（算法），“直接预测”更为准确。但是，存在无法与“直接预测”一起使用的时间序列分析的数学模型的问题。

递归预测是一种使用一个数学模型预测提前一个时期的方法。前面第一个周期是使用过去数据预测的，但是当预测前面第二个周期时，过去数据和前面第一个周期的预测值用于预测……，当预测前面第三个周期时，用过去数据和使用前面第一项和第二项的预测值进行预测。

在预测期间重复此操作。

这种预测方法只使用一个数学模型，因此计算成本低。但是，预测目的地越远，累积的预测误差就越多，所以如果预测目的在近期没有问题，但在遥远的未来就不好了。

直接预测不是用一个数学模型提前一个周期进行预测，而是使用多个数学模型进行预测，例如一个提前预测模型、两个提前预测模型和一个三个提前预测模型。 ..

例如……

如果要使用月度数据预测未来5年，即最多60个周期（60个月），则需要建立60个数学模型，并使用日数据预测最多未来1年，即365个周期（365天）如果你想，你需要建立365个数学模型。

这种预测的最大优点是即使在遥远的未来，预测误差也不会累积。但是，当要构建的数学模型很多时，存在计算成本高的问题。

此外，有些人可能会觉得不愉快，因为没有考虑到各个数学模型输出的预测值之间的关系。有几种方法可以设计和利用目标变量是多元的统计模型，或者使用神经网络系统的模型。