AITerms 登入
時序分析統計方法模型評估

差分整合移動平均(ARIMA)是什麼?

ARIMA是一種廣泛使用的時間序列預測模型,結合了自迴歸、差分和移動平均三個部分,用於分析和預測時間序列資料。

完整定義

ARIMA(差分整合移動平均模型)是一種統計分析模型,用於預測時間序列資料。它結合了自迴歸(AR)、整合(I,差分)和移動平均(MA)三個部分。ARIMA模型通過分析過去的資料點之間的相關性,來預測未來的數值。其核心思想是將時間序列資料視為隨機過程,並利用其自相關性進行建模和預測。

白話說明

你想預測下個月的銷量,卻發現數字有趨勢又有週期嗎?

你可以把 ARIMA 想成專門看時間順序的預測器,它會先把趨勢整理平,再找殘留規律。

它特別適合把歷史數據當成一條時間線來分析的場景。

記住這句

先把趨勢差掉,再用過去的規律預測未來

比喻:ARIMA 就像一個老練的氣象預報員 -- 它會研究過去幾天的氣溫變化趨勢(自迴歸),考慮今天比昨天「差了多少」(差分),再結合過去幾天的平均誤差(移動平均),來預測明天的天氣。

容易混淆

ARIMA vs 指數平滑法?

ARIMA:用自迴歸、差分、移動平均做預測

指數平滑法:更偏向平滑近期資料來做預測

最關鍵的區別:ARIMA 會先處理平穩性,指數平滑更像直接抓近期趨勢

ARIMA vs 季節性分解?

ARIMA:可處理非平穩序列,先差分再建模

季節性分解:把趨勢、季節、殘差拆開看

最關鍵的區別:分解是分析方法,ARIMA 是預測模型

ARIMA vs Prophet?

ARIMA:主要看歷史自身

Prophet:更方便加入節日、假期等外生因素

最關鍵的區別:ARIMA 偏傳統統計,Prophet 更方便處理業務日曆特徵

實際案例

門市月銷售

店長拿三年的月銷量做預測,ARIMA 幫他先處理上升趨勢,再估下個月需求

網站流量

網站每天訪客數有明顯週期,ARIMA 可以先差分,再抓節奏做短期預測

演算法與應用

重點
p
你要看什麼
自迴歸階數
為什麼重要
看前多少期的值會影響現在
重點
d
你要看什麼
差分次數
為什麼重要
把趨勢變平穩
重點
q
你要看什麼
移動平均階數
為什麼重要
看前多少期誤差會影響現在

情境判斷

Q1:資料圖看起來有明顯上升趨勢,直接拿去做 ARIMA 合適嗎?

通常不合適,先差分讓序列更平穩再建模

Q2:如果資料有強烈節慶效應,ARIMA 就一定比 Prophet 好嗎?

不一定,這時是否加入外生變數、季節項與業務特徵會影響結果

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把差分整合移動平均列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本