AI 术语表 · 基础 · 经典机器学习、推荐与搜索
时间序列预测
时间序列预测是分析按时间顺序积累的数据（每日销售额、每小时用电量等）的过去模式，从而预先推测未来数值的方法。
关于这个术语
- 难度
- 基础 · AI 新闻中常见的技术术语
- 分类
- 数据、运维与平台
- 加入时间
- 2026-10-08
工作原理
时间序列数据中通常混有长期上升或下降的走势（趋势）、按固定周期重复的模式（季节性）以及难以解释的噪声。预测模型从过去的数据中找出这些成分，假定它们会延续下去，进而计算未来的数值。传统上使用对趋势和季节性进行数学建模的统计方法，如今也常用梯度提升等机器学习模型或深度学习模型。把天气、节假日、促销活动等外部信息一起输入，预测往往会更准确。
时间序列预测方法的分支
统计方法用公式表示趋势·季节性
- 数据少也能用
- 结果容易解释
机器学习·深度学习从数据中学习模式
- 容易加入外部信息
- 数据越多越有利
时间序列基础模型预先训练的通用模型
- 尝试直接用于新数据
- 需要用业务数据验证
공통 都假设过去的模式会延续到未来
为什么重要
哪怕只能在一定程度上预见未来，也能提前做好准备。零售企业通过需求预测决定备多少库存，电力公司通过用电量预测调整发电量。它还用于呼叫中心人员排班、服务器扩容计划和金融风险管理。预测哪怕只改进一点，也能减少库存浪费或供应短缺，因此是企业需求很大的领域。
注意事项
预测建立在未来与过去走势相似的假设之上。如果发生传染病扩散或突然的政策变化等过去没有过的事情，预测可能会严重出错，应把这类变化视为数据漂移的一种形式，持续检查模型。因此在实践中，以“很可能落在这个范围内”这样的区间来给出预测，往往比给出单个数字更有用。最近也出现了用大量时间序列预先训练、可直接对新数据进行预测的时间序列基础模型，但仍需要亲自验证它是否适合自己的业务数据。
示例
便利店连锁在各门店·各商品的历史销量基础上加入星期、天气和当地活动信息，预测接下来几天的销量，并据此自动确定订货量。云服务运维团队预测各时段的访问量，在用户涌入之前提前扩充服务器。它也会与异常检测一起使用，例如当预测值与实际值相差很大时，将其视为异常信号并发出警报。