要作數值預測，最好的方法莫過於回歸預測。通過建立起影響因素（即自變量）與目標變量之間的函數關係式，就可以對因變量的未來值進行預測。
儘管回歸分析在預測時比較準確，但是，實現比較複雜，因為它要求能夠找到所有或大部分影響事物的關鍵因素，這樣才能夠建立回歸模型進行預測。
但是，在真實的場景中，要找出影響事物的關鍵因素是非常困難的，比如，大多數社會經濟指標，如國內生產總值（GDP）、消費價格指數（CPI）、上證綜合指數等等，要找出影響因素來建模，基本上不太可能，所以這種場景下，採用回歸分析難以實現。
那該怎麼辦呢？
此時，可以嘗試使用另一種分析方法，即時間序列分析法。
時間序列分析，不像回歸分析，它是拋開了對事物發展的因果分析，只分析事物的過去和未來的聯繫，即它假定事物的過去趨勢會延伸到未來。
時間序列（Timeseries），指的是按照相等時間間隔的順序而形成的數據序列。一般情況下，大多數社會經濟指標，如GDP、CPI、利率、匯率等等都是時間序列。
時間序列的時間間隔可以是分秒（如股票金融數據），也可以是日、周、月、季度、年，甚至更大的時間單位。
時間序列分析基於這樣一個假設：事物過去的模型可以持續到未來。
簡單地，一個時間序列會隨著時間變化而變化，如下圖所示的幾種變化形式。
比如左上第一個序列，有著明顯的季節性波動；右上第二個序列，有整體下降的趨勢；左下第三個序列，呈現上升趨勢而且具有季節波動；右下第四個序列，沒有明顯的趨勢也沒有季節波動。
最常見的時間序列分析模型和方法有如下三大類：
1） 趨勢類分析：移動平均、指數平滑等；
2） 季節波動類分析：溫特斯方法、基於回歸的方法；
3） 平穩序列類分析：自回歸滑動平均模型。
每一大類中，都會有多種分析方法和模型。
大數據的哲學觀 事物發展都是有規律的
如何讓數據「說話」 數據解讀能力培養
大數據的核心價值是什麼？探索事物規律和特徵
一切不以應用為導向的大數據都是在耍流氓
大數據建模五步法 選擇-訓練-評估-優化-應用
教你如何優化出好模型！ 好模型是優化出來的
大數據職位體系 兩大類別（系統類+應用類）
大數據職位發展通道 大數據職位的發展通道
大數據變革之工具變革 探索客觀事物的工具
大數據變革之思維變革 認知事物的新思維
大數據變革之文化變革 尊重事實的數據文化
作者簡介：
傅一航，大數據專家。
專注於大數據分析、大數據挖掘等應用技術，及大數據系統解決方案。致力於將大數據技術應用於政府、通信、金融、航空、電商、網際網路等領域。
聯繫作者： 2509626286@qq.com。