时间序列的观测顺序携带信息。先画时间图，检查趋势、季节性、周期、突变、异常和频率是否稳定。
时间戳应连续且间隔一致；缺期与 0 值含义不同。
序列可粗略分为趋势 T、季节 S、周期 C、随机 I。加法结构 y=T+S+I，乘法结构 y=T×S×I。
建模前做时间轴质量表：起止、频率、缺期、重复时点、异常事件。按时间划分训练与验证。
别踩坑随机打乱做验证缺失月份当销量 0
第 8 讲 · 用少量历史推测未来
第 8 讲 · 灰色预测与时间序列基础
先识别趋势与周期，再理解 GM(1,1)、移动平均和指数平滑的假设；用滚动验证与误差比较决定谁真正可用。
学完能做什么
可检查的学习目标
01
能从时间图识别趋势、季节和异常
能从时间图识别趋势、季节和异常
02
能说明 GM(1,1) 的累加生成与适用条件
能说明 GM(1,1) 的累加生成与适用条件
03
能用滚动验证比较灰色、移动平均和指数平滑
能用滚动验证比较灰色、移动平均和指数平滑
知识点01
先画时间图，识别结构
时间顺序不能被打乱
先猜一猜
同一组数值换一个时间顺序，预测结论为什么会完全不同？
动手试一试
LIVE时间信息
比较无序统计与结构识别。
趋势和季节被压缩掉。
跟我算一遍月客流
连续 36 月，每年 7–8 月明显高峰。
时间图显示向上趋势和 12 月季节周期。
不能只用简单直线忽略暑期高峰。
验证时用前 30 月训练、后 6 月测试。
若测试期包含季节高峰，模型必须同时处理趋势与季节。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01判断未作答
时间序列训练/测试可以像普通独立样本一样随机打乱。
时间箭头不可逆。
参考答案
通常错误。预测未来时应保持时间顺序，避免未来信息泄漏到训练。
02选择未作答
每年相同月份反复出现相似高峰，最像什么？
关键词是固定时间周期。
参考答案
季节性。它在固定周期内重复出现。
03简答未作答
时间轴质量检查至少包括哪四项？
先确保时间索引可靠。
参考答案
起止时间、观测频率、缺失时点、重复时点；还应看异常事件和单位。
04选择未作答
某月无记录和销量为 0 的区别是？
缺失不等于零。
参考答案
无记录表示未知，0 表示该月确实没有销量。
知识点02
少样本、单变量、近指数趋势
GM(1,1) 用累加弱化波动
先猜一猜
为什么 GM(1,1) 先把原序列累加，而不是直接拟合原值？
GM(1,1) 中第一个 1 表示一阶微分方程，第二个 1 表示一个变量。它适合样本较少、趋势较平滑、近似指数变化的序列。
一次累加生成 AGO 把原序列变成更平滑的累计序列，突出整体趋势。
x(1)(k)=Σi=1..k x(0)(i)。背景值 z(1)(k)=0.5[x(1)(k)+x(1)(k−1)]。模型：x(0)(k)+a z(1)(k)=b。
先检查级比或趋势与光滑性。强季节、剧烈振荡、结构突变时不要机械使用 GM(1,1)。
别踩坑任何小样本都用灰色忘记累减还原
动手试一试
LIVE适用性判断
比较三类序列。
单一 GM(1,1) 难以表示周期重复。
跟我算一遍一次累加
原序列 x(0)=[3,5,7,9]。
第一项仍为 3。
第二项 3+5=8，第三项 15。
第四项 24。
AGO 序列 x(1)=[3,8,15,24]，比原序列更平滑地展示增长。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01计算未作答
x(0)=[2,4,6,8]，一次累加序列是什么？
每项是从第一项累计到当前位置。
参考答案
x(1)=[2,6,12,20]。
02选择未作答
GM(1,1) 中第二个 1 表示？
记住阶数与变量数。
参考答案
一个变量，即单变量灰色模型。
03判断未作答
GM(1,1) 特别适合强烈季节性且上下反复的序列。
累加主要提取单调趋势。
参考答案
错误。基础 GM(1,1) 更适合平滑、近指数趋势；强季节性需其他处理或模型。
04简答未作答
AGO 的主要作用是什么？
累积会平滑。
参考答案
通过累加弱化原序列随机波动，增强整体趋势，使一阶灰色方程更容易拟合。
知识点03
从灰色方程回到原序列
估计参数并还原预测
先猜一猜
模型拟合的是累计序列，为什么最终预测不能直接报告累计值？
通过最小二乘估计发展系数 a 与灰色作用量 b，求出累计序列的时间响应。
最终对累计预测做一次累减 IAGO，得到原序列预测。
常见响应：x̂(1)(k+1)=[x(0)(1)−b/a]e^(−ak)+b/a；还原 x̂(0)(k+1)=x̂(1)(k+1)−x̂(1)(k)。
保存 AGO、背景值矩阵、参数、累计预测、还原预测五张中间表；手算前两期核对索引。
别踩坑指数中的 k 错一位把累计预测当原值
动手试一试
LIVE中间量透明度
比较黑箱输出与逐层还原。
索引或还原错误难以发现。
跟我算一遍累减还原
累计预测 x̂(1)=[4,10,19,31]。
第一期原值保留 4。
第二期 10−4=6。
第三期 19−10=9，第四期 31−19=12。
还原预测为 [4,6,9,12]。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01计算未作答
累计预测 [5,12,22] 还原后的第 2、3 期是多少？
相邻累计值做差。
参考答案
第 2 期 12−5=7，第 3 期 22−12=10。
02判断未作答
GM(1,1) 时间响应式直接给出的就是原序列预测。
模型工作在 AGO 序列上。
参考答案
错误。通常先得到累计序列预测，再通过累减还原原序列。
03简答未作答
为什么要手算前两期预测？
索引错一位会整列错。
参考答案
可快速发现 k 的起点、指数符号、背景值和累减索引错误。
04选择未作答
IAGO 的作用是？
I 是 inverse。
参考答案
把累计预测相邻做差，还原为原始尺度预测。
本讲主实验 · 拖一拖再下结论
平滑与响应速度
调整移动平均窗口和指数平滑 α，观察下一期预测如何响应最近变化。
观察结果等待计算
调整左侧参数，观察模型输出怎样变化。
实验后想一想
当数据突然上升时，大窗口与小 α 会怎样反应？平滑和跟随最新变化之间有什么取舍？
知识点04
拟合误差、后验差与小误差概率
检验灰色模型是否够用
先猜一猜
只有 5 个样本，拟合误差很小，就可以预测很远吗？
小样本拟合容易看起来很好，仍要检查相对误差、残差趋势和外推距离。
灰色模型常用后验差比 C 与小误差概率 P 评价拟合，但最好再做滚动留一验证。
C=残差标准差/原序列标准差，越小越好；P 为小残差比例，越大越好。常见一级参考 C≤0.35、P≥0.95。
报告拟合误差与模拟预测误差，限制预测步数，并用区间或情景说明远期不确定性扩大。
别踩坑用拟合代替预测验证样本少却预测十年
动手试一试
LIVE检验层次
比较拟合、后验检验与滚动预测。
同一数据建模又检验，容易乐观。
跟我算一遍滚动留一
有 8 期数据。
用前 5 期预测第 6 期。
用前 6 期预测第 7 期。
用前 7 期预测第 8 期，汇总误差。
得到三个真正的模拟未来误差，比全样本拟合误差更诚实。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01选择未作答
后验差比 C 越怎样通常越好？
分子是残差标准差。
参考答案
越小越好，说明残差波动相对原序列小。
02判断未作答
全样本拟合误差很小，足以证明远期预测准确。
拟合不是未来。
参考答案
错误。需要留出/滚动验证，且预测越远不确定性通常越大。
03简答未作答
8 期数据怎样做三次滚动一步预测？
每次训练窗口向前扩展。
参考答案
前 5 期预测第 6；前 6 期预测第 7；前 7 期预测第 8，并统一计算误差。
04选择未作答
常见一级精度参考中，小误差概率 P 应？
P 是小残差所占比例。
参考答案
P≥0.95，且后验差比 C≤0.35。
知识点05
平滑与响应速度的取舍
移动平均与指数平滑
先猜一猜
窗口越大，预测就一定越好吗？
移动平均用最近 k 期平均预测下一期；k 大更平滑但反应慢。
一次指数平滑让最近观测权重最大，α 大更追随最新变化，α 小更平滑。
移动平均 ŷt+1=(yt+…+yt−k+1)/k；指数平滑 St=αyt+(1−α)St−1。参数应由滚动验证选择。
把朴素上期值、不同窗口移动平均和多组 α 放在同一验证表，按同一误差指标比较。
别踩坑凭感觉选窗口趋势序列只用一次平滑
动手试一试
LIVE参数取舍
比较平滑与响应。
曲线平稳，但转折响应慢。
跟我算一遍三期移动平均
最近三期 20、24、28。
相加 20+24+28=72。
除以窗口 3。
下一期预测为 24。
若序列持续上升，移动平均会滞后；需要趋势模型或二次指数平滑。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01计算未作答
最近 3 期为 12、15、18，三期移动平均预测是多少？
只取最近窗口。
参考答案
(12+15+18)/3=15。
02判断未作答
移动平均窗口越大，对突发变化反应越快。
平滑与响应相反。
参考答案
错误。窗口越大越平滑，旧数据权重更多，反应通常更慢。
03计算未作答
α=0.4，当前 y=30，上期平滑值 S=20，新 S 是多少？
按指数平滑公式。
参考答案
0.4×30+0.6×20=12+12=24。
04简答未作答
如何选择窗口 k 或 α？
用未见数据而不是训练图形。
参考答案
在按时间滚动的验证集上比较相同误差指标，兼顾稳定性与业务响应需求。
知识点06
没有永远最好的预测法
用统一验证比较模型
先猜一猜
GM(1,1) 的 MAPE 8%，指数平滑 10%，能直接断言灰色模型更好吗？
只有使用相同训练窗口、预测步长、测试时点和误差定义，模型误差才可比较。
MAPE 在真实值接近 0 时会爆炸；MAE 有原单位、RMSE 更惩罚大误差，应结合业务代价选择。
MAE=mean|y−ŷ|；RMSE=√mean(y−ŷ)²；MAPE=mean|e/y|×100%。零值多时考虑 MAE、RMSE 或 sMAPE。
建立模型赛马表：基准、参数、训练期、验证期、一步/多步误差、运行成本、可解释性。
别踩坑不同测试期比较误差只挑最有利指标
动手试一试
LIVE模型比较公平性
比较随意报分与统一赛马。
训练期和指标不同，无法公平比较。
跟我算一遍统一赛马
比较上期值、移动平均、指数平滑、GM(1,1)。
固定后 6 期为滚动验证时点。
每个模型每次只用当时可见数据。
统一汇总 MAE 与 RMSE，并看每个时点误差。
选择稳定超过基准且解释合理的模型；若不同阶段各有优势，可分情景或组合。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01计算未作答
真实 [10,20]，预测 [12,17]，RMSE 是多少？
平方—平均—开根。
参考答案
平方误差 4、9，均值 6.5，RMSE=√6.5≈2.55。
02判断未作答
MAPE 适合真实值经常为 0 的序列。
检查分母。
参考答案
错误。分母接近 0 会使 MAPE 无定义或极大，应换用其他指标。
03选择未作答
公平比较模型最重要的条件是？
比赛规则必须一致。
参考答案
相同验证时点、预测步长和误差定义。
04简答未作答
复杂模型只略好于朴素基准时应考虑什么？
最好不只看小数点。
参考答案
误差差异是否稳定和有实际价值，以及复杂度、解释性、维护成本与过拟合风险。
离开前完成
让四个预测模型公平赛一次
选择至少 12 期时间数据，对朴素、移动平均、指数平滑和 GM(1,1) 做滚动验证。
LOCAL PACK
本地学习资源
讲义、练习、实验与挑战清单均在本地页面内。