如果你对数据分析感兴趣，希望学习更多的方法论，希望听听经验分享，

欢迎移步宝藏公众号「小火龙说数据」，无广告、无软文、纯干货，更多精彩原创文章与你分享！

00 前言

对于数据分析师而言，日常工作中预测相关内容不在少数，这里分享给大家几种常见预测方式及其实操代码。

01 ARIMA（自回归差分移动平均）

适用场景：平稳时间序列预测，适合具有明显趋势和季节性的数据。

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 生成示例数据
data = pd.Series([i + i*0.1 + np.random.normal(0,1) for i in range(100)])

# 训练模型 (p,d,q)=(2,1,1)
model = ARIMA(data, order=(2,1,1))
results = model.fit()

# 预测未来5步
print(results.forecast(steps=5))

02 Prophet

适用场景：带节假日效应的周期数据，自动处理缺失值和异常点。

import Prophet
import pandas as pd

df = pd.DataFrame({
    'ds': pd.date_range(start='2025-01-01', periods=365),
    'y': [50 + 2*i + 10*abs(np.sin(i/30)) for i in range(365)]
})

model = Prophet(yearly_seasonality=True)
model.fit(df)
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)
print(forecast[['ds', 'yhat']].tail())

详细介绍及代码可参考以下链接：

「经验」时间序列预测神器-Prophet『理论篇』

「经验」时间序列预测神器-Prophet『实现篇』

03 指数平滑

适用场景：短期趋势预测，包含水平、趋势、季节三个分量，适合规律性强的数据。

from statsmodels.tsa.holtwinters import ExponentialSmoothing

data = [i*0.5 + np.random.rand() for i in range(100)]
model = ExponentialSmoothing(
    data, 
    trend='add', 
    seasonal='add', 
    seasonal_periods=12
).fit()

print(model.forecast(5))  # 预测未来5期

04 LSTM神经网络

适用场景：复杂非线性序列，需将数据标准化。

from numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 创建滑动窗口数据
def create_dataset(data, look_back=3):
    X, y = [], []
    for i in range(len(data)-look_back):
        X.append(data[i:(i+look_back)])
        y.append(data[i+look_back])
    return np.array(X), np.array(y)

data = np.sin(np.arange(0, 20, 0.1))
X, y = create_dataset(data)

model = Sequential([
    LSTM(50, input_shape=(3, 1)),
    Dense(1)
])
model.compile(loss='mse', optimizer='adam')
model.fit(X.reshape(-1,3,1), y, epochs=100)

# 预测下一个值
print(model.predict(np.array([data[-3:]]).reshape(1,3,1)))

05 TCN（时序卷积网络）

适用场景：长序列依赖捕获，通过空洞卷积扩大感受野，比LSTM训练更快。

from tensorflow.keras import Sequential
from tensorflow.keras.layers import TCN, Dense

model = Sequential([
    TCN(input_shape=(None, 1), 
        nb_filters=64,
        kernel_size=3,
        dilations=[1, 2, 4]),
    Dense(1)
])
model.compile(optimizer='adam', loss='mse')

# 训练数据需形如(samples, timesteps, features)
X = np.random.randn(100, 30, 1)
y = np.random.randn(100, 1)
model.fit(X, y, epochs=10)

06 Transformer时序预测

适用场景：超长序列建模，需配合位置编码使用，适合GPU集群训练。

from tensorflow.keras.layers import Input, MultiHeadAttention
from tensorflow.keras.models import Model

inputs = Input(shape=(None, 64))
x = MultiHeadAttention(num_heads=4, key_dim=64)(inputs, inputs)
x = GlobalAveragePooling1D()(x)
outputs = Dense(1)(x)

model = Model(inputs, outputs)
model.compile(loss='mse', optimizer='adam')

# 输入数据需先经过Embedding或CNN预处理

07 总结

总结一下在日常实操中的模型选择。

其一：数据量相对较小（<5k），优先使用Prophet或者指数平滑，Prophet小火龙最为推荐。

其二：有明显时间周期，ARIMA是个不错的原则。

其三：长序列预测中，TCN是首选。

其四：多变量输入时，LSTM/Transformer可以选择。

最后，推荐一本数据分析进阶书籍《数据分析实践：专业知识和职场技巧》

侧重案例讲解，对于初、中级数据分析师的帮助极大！！！