time-series-analysis

时间序列分析

适用场景

• 构建用于运营规划（人员配置、库存、基础设施容量）的预测
• 判断趋势是真实存在还是由季节性驱动
• 检测指标流中的异常（流量激增、收入下滑、错误率飙升）
• 提供“如果没有采取行动会怎样”的基线，用于衡量举措的影响
• 以考虑季节性模式的方式呈现同比增长

流程

1. 加载并检查时间序列 — 确认时间间隔是否规律（必要时填补缺失间隔），检查明显的数据质量问题（负值、非零序列中的零值），并确定自然粒度（日、周、月）。
2. 检验平稳性 — 运行 ADF 检验。如果序列非平稳（存在趋势或季节性），请注明这一点；这会影响分解和模型选择，但不会妨碍分析。参见 references/ts_patterns_guide.md。
3. 分解为各组成部分 — 使用加法或乘法分解，将时间序列拆分为趋势、季节性和残差。衡量每个组成部分的强度（0–1）。季节性较强（>0.6）时，未经季节性调整的原始值会产生误导。
4. 检测异常 — 标记与滚动中位数相差超过 3 个标准差的点。结合事件日志（产品发布、营销活动、事故）调查最显著的 5 个异常。使用 scripts/ts_analyzer.py --detect-anomalies。
5. 拟合预测模型 — 拟合 ARIMA 模型（如果数据较短，则使用更简单的移动平均模型）。在留出的 20% 测试集上验证并报告 MAPE。生成预测时间范围内的点估计和 95% 置信区间。
6. 生成分析报告 — 总结趋势方向和强度、季节性模式及其业务影响、异常发现，以及包含不确定性的预测。使用 assets/ts_report_template.md。

技能所需的输入

• 时间序列数据：日期列 + 一个数值指标列，至少包含 2 个完整的季节周期
• 数据粒度（日、周、月）
• 所需的预测时间范围（未来几天、几周或几个月）
• 用于调查异常的事件日志或变更日志
• 业务背景：影响该指标的因素、已知的季节性模式

输出

• scripts/ts_analyzer.py — 分解数据、检测异常并拟合 ARIMA 预测；输出图表和 CSV
• references/ts_patterns_guide.md — 平稳性、季节性类型、模型选择指南和常见陷阱
• assets/ts_report_template.md — 报告模板：特征、分解摘要、异常列表、预测表、洞察