---
title: "時間序列分析（Time Series Analysis）"
slug: time-series-analysis
language: zh-TW
source: https://aiterms.tw/terms/time-series-analysis
updated_at: 2026-07-29
tags: [時序分析, 統計方法, 機器學習, 模型評估, AI基礎, 資料處理]
ipas_term: false
---

# 時間序列分析（Time Series Analysis）

> **你有沒有看過每天的銷售曲線，想知道下週會不會掉單？**
> 你可以把時間序列分析想成「專門看會隨時間變動的資料」
> 它不只看數字大小，還看前後順序、趨勢和週期
> 很適合做需求預測、異常偵測和財務觀察，因為時間本身就是線索
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **時間序列分析 vs 一般表格分析**
> 時間序列分析重視時間順序
> 一般表格分析不一定在乎先後
> 最關鍵的區別：有沒有時間軸
>
> **時間序列分析 vs 趨勢線**
> 趨勢線只是時間序列裡的一種表現
> 時間序列分析還會看季節性、波動和異常
> 最關鍵的區別：一條線不是全部
>
> **時間序列分析 vs 異常偵測**
> 時間序列分析範圍更大
> 異常偵測只是其中一種任務
> 最關鍵的區別：整體方法和單一任務不要混淆
>

### 記住這句就好
> 先看時間順序，再看趨勢、週期和突然的跳點。

### 實際案例
> **門市營收**
> 某家店每週收入在週末明顯上升，分析後發現是週末人流造成的週期現象，不是廣告突然失效
>
> **設備監控**
> 伺服器 CPU 溫度平常穩定，半夜卻突然飆高，這種偏離原本模式的變化很適合先做異常分析
>

### 算法與應用
> | 趨勢 | 看長期往上、往下或持平 | 常拿來判斷成長方向 |
> | 季節性 | 看固定週期重複出現的模式 | 例如週末、月底、節慶 |
> | 滯後特徵 | 把前幾期資料拿來當特徵 | 這是很多預測模型的核心 |
> | 預測與異常 | 預測未來值或找出離群點 | 兩者常一起使用 |

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 時間序列分析 | 台灣正式用語 |
| 时间序列分析 | 簡體寫法 |
| Time Series Analysis | 英文原名 |
| 時序分析、時間數列分析 | 常見變體 |
| Forecasting（預測） | 時間序列分析最常見的應用，兩者常被當同義詞使用 |

### 一條時間序列可以拆成什麼

| 成分 | 意思 | 例子 |
| --- | --- | --- |
| 趨勢（trend） | 長期往上或往下的方向 | 十年來的用電量逐年上升 |
| 季節性（seasonality） | 固定週期的重複起伏 | 每年冬天用電量上升 |
| 循環（cycle） | 週期不固定的起伏 | 景氣循環 |
| 殘差（residual） | 拆完剩下的隨機部分 | 無法解釋的波動 |

> 拆解方式有加法模型（各成分相加）與乘法模型（各成分相乘）。振幅隨水準放大的資料用乘法模型，或先取對數再用加法模型。

### 定態與為什麼要在意它

> **定態（stationarity）** 指的是統計性質不隨時間改變：平均值、變異數、自相關結構都固定。
>
> ARIMA 這類傳統模型的理論建立在定態假設上，資料不定態就得先處理。常見手段是**差分**（後一期減前一期，去掉趨勢）與**取對數**（穩定變異數）。ARIMA 名稱裡的 I 就是差分（Integrated）的意思。
>
> 檢定定態常用 ADF 檢定（Augmented Dickey-Fuller）與 KPSS 檢定，兩個的虛無假設方向相反，一起用比較穩妥。

### 方法與驗證方式

| 方法 | 適合 |
| --- | --- |
| 移動平均、指數平滑 | 短期、平穩、要求可解釋 |
| ARIMA / SARIMA | 有明確自相關結構、單變量、資料量中等 |
| Prophet | 有多重季節性與假日效應，需要快速上手 |
| 梯度提升樹（配合滯後特徵） | 有大量外生變數，表格化之後表現往往很強 |
| 深度學習（LSTM、Transformer 類） | 序列多、長度長、有跨序列的共通模式 |

> **驗證方式一定要用時序切分，不能隨機切。** 隨機切等於用未來的資料預測過去，離線指標會漂亮到不真實。正確做法是滾動式驗證（rolling origin）：用前 N 期訓練、預測第 N+1 期，往後滾動重複。
>
> **一定要有樸素基準線。** 最簡單的基準是「明天等於今天」（naive forecast），有季節性時是「今年這個月等於去年這個月」。複雜模型贏不過這條基準線的情況比想像中常見，沒有基準線就不會發現。

### 情境判斷
> **Q1（直覺題）：你想預估下個月的訂單量，應該先看什麼？**
> → 先看歷史時間序列的趨勢和週期，再決定要不要做預測模型。
>
> **Q2（判斷題）：你把不同年份的銷售資料混在一起排序，結果還準嗎？**
> → 通常不準，因為時間順序被打亂後，很多時間依賴關係就不見了。
>
### 常見問題
> **Q：時間序列分析一定要用深度學習嗎？**
> 不一定，很多情況先用移動平均、ARIMA 或傳統統計法就很夠。
>
> **Q：為什麼要特別保留時間順序？**
> 因為未來不能先知道過去之後的資訊，順序錯了就會資訊洩漏。
>
> **Q：時間序列和一般回歸有什麼不同？**
> 回歸通常不把資料前後順序當重點，時間序列則把順序本身當成主要訊息。
>

### 相關術語
> - **異常偵測**：很多時間序列工作都會先找出異常點
> - **驗證資料集**：做預測時要分好時間切分，避免資料外洩
> - **過擬合**：序列模型也很容易只記住歷史模式
> - **欠擬合**：模型太簡單時會抓不到真正的時間規律

---

來源：https://aiterms.tw/terms/time-series-analysis
快查頁：https://aiterms.tw/terms/time-series-analysis
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-time-series-analysis