时序分析中的常用算法，都在这里了( 二 ) _算法

缺点：

只能捕捉到移动平均关系，无法捕捉到自回归关系。MA模型忽略了过去时间步观测值，可能无法捕捉到数据中的自相关性。
对于某些时间序列数据，MA模型可能需要较高的阶数才能较好地拟合数据，导致模型复杂度增加。

自回归滑动平均模型自回归滑动平均模型（ARMA模型，Auto-Regression and Moving AverageModel）是研究时间序列的重要方法，由自回归模型（AR模型）与滑动平均模型（MA模型）为基础“混合”而成，具有适用范围广、预测误差小的特点。
自回归差分移动平均线(Autoregressive Integrated Moving Average, ARIMA)ARIMA模型全称为自回归差分移动平均模型（Autoregressive Integrated Moving Average Model）。ARIMA模型主要由三部分构成，分别为自回归模型（AR）、差分过程（I）和移动平均模型（MA）。
ARIMA模型的基本思想是利用数据本身的历史信息来预测未来。一个时间点上的标签值既受过去一段时间内的标签值影响，也受过去一段时间内的偶然事件的影响，这就是说，ARIMA模型假设：标签值是围绕着时间的大趋势而波动的，其中趋势是受历史标签影响构成的，波动是受一段时间内的偶然事件影响构成的，且大趋势本身不一定是稳定的
简而言之，ARIMA模型就是试图通过数据的自相关性和差分的方式，提取出隐藏在数据背后的时间序列模式，然后用这些模式来预测未来的数据。其中：

AR部分用于处理时间序列的自回归部分，它考虑了过去若干时期的观测值对当前值的影响。
I部分用于使非平稳时间序列达到平稳，通过一阶或者二阶等差分处理，消除了时间序列中的趋势和季节性因素。
MA部分用于处理时间序列的移动平均部分，它考虑了过去的预测误差对当前值的影响。

结合这三部分，ARIMA模型既可以捕捉到数据的趋势变化，又可以处理那些有临时、突发的变化或者噪声较大的数据。所以，ARIMA模型在很多时间序列预测问题中都有很好的表现。
优点：
模型十分简单，只需要内生变量而不需要借助其他外生变量。(所谓内生变量指的应该是仅依赖于该数据本身，而不像回归需要其他变量)
缺点：
要求时序数据是稳定的（stationary），或者是通过差分化(differencing)后是稳定的。
本质上只能捕捉线性关系，而不能捕捉非线性关系。
季节性自回归整合移动平均模型 SARIMASARIMA 是一种常用的时序分析方法，它是 ARIMA 模型在季节性数据上的扩展。SARIMA 模型可以用于预测季节性时间序列数据，例如每年的销售额或每周的网站访问量。下面是SARIMA模型的优缺点：
优点：

SARIMA模型可以很好地处理季节性数据，因为它考虑了时间序列数据中的季节性因素。
SARIMA模型可以对时间序列数据进行长期预测，因为它可以捕捉到数据中的趋势和周期性变化。
SARIMA模型可以用于多变量时间序列数据，因为它可以同时考虑多个变量之间的关系。

缺点：

SARIMA模型需要大量的历史数据来训练，因此在数据量较少的情况下可能不太适用。
SARIMA模型对异常值比较敏感，因此需要对异常值进行处理。
SARIMA模型的计算复杂度较高，需要进行大量的计算和优化。

具有外生回归量的季节性自回归整合移动平均模型 SARIMAX具有外生回归量的季节性自回归整合移动平均模型(Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors, SARIMAX)是在差分移动自回归模型（ARIMA）的基础上加上季节（S,Seasonal）和外部因素(X,eXogenous) 。也就是说以ARIMA基础加上周期性和季节性，适用于时间序列中带有明显周期性和季节性特征的数据。
3 其他时序模型这类方法以 lightgbm、xgboost 为代表，一般就是把时序问题转换为监督学习，通过特征工程和机器学习方法去预测；这种模型可以解决绝大多数的复杂的时序预测模型。支持复杂的数据建模，支持多变量协同回归，支持非线性问题。
不过这种方法需要较为复杂的人工特征过程部分，特征工程需要一定的专业知识或者丰富的想象力。特征工程能力的高低往往决定了机器学习的上限，而机器学习方法只是尽可能的逼近这个上限。特征建立好之后，就可以直接套用树模型算法 lightgbm/xgboost，这两个模型是十分常见的快速成模方法，除此之外，他们还有以下特点：