1. 研究目的与意义
时间序列就是同一现象在不同时间点的相继观察值排列而成的序列，可以描述现象随时间发展变化的特征。时间序列数据是系统内外部各种因素共同作用的结果体现。
研究表明，一个时间序列通常可由几种不同的变化形式叠加生成。一般来说，时间序列数据可以分解成系统性部分和非系统性部分。系统性部分由趋势（trend）、季节性（seasonality）和周期性（cyclicity）三种成分构成，代表了序列的规律性。而非系统性部分即为不规则变动（irregular variations），又被称为“随机扰动”或者“噪声”。
时间序列预测（time series prediction）是指根据客观事物的发展趋势和变化规律，对特定对象未来的发展趋势或状态作出科学的推断与判断。时间序列预测算法的基本原理是基于事物发展的延续性，利用历史的时序数据进行统计和分析，对事物的变化规律进行挖掘，并根据变化规律来探索出事物未来的存在形式。目前，主流的时间序列预测方法包括如下几大类：传统时间序列预测模型方法，机器学习模型方法和深度学习模型方法[1]。
2. 研究内容和预期目标
主要研究内容：
采集特定场景下的时序数据，例如股票，天气数据，分析时序数据特征，包括判定时序数据是否是静态的，自相关程度等；
根据历史数据进行预测，采用不同类型的预测算法，包括基于统计的方法的方法，基于分解的方法及基于深度学习的方法；
3. 研究的方法与步骤
（1）了解时间序列的基本特性
时间序列分解一般分为两种方式：加法模型和乘法模型
①加法模型，y(t) = s(t) t(t) r(t)
4. 参考文献
[1] 《时间序列预测技术浅析》 验“金”室fcc ，中国金融电脑 ，2022.10.14
[2] .《时间序列预测国内外研究现状》
[3] ailing zeng, muxi chen, lei zhang, andqiang xu. are transformers effective for time series forecasting? in arxiv, arxiv:2205.1350.
5. 计划与进度安排
（1）2024.1.10 ---- 2024.3.10 查阅资料，撰写开题报告，翻译英文资料
（2）2024.3.11 ---- 2024.3.18 需求分析，熟悉开发工具
（3）2024.3.19 ---- 2024.3.31 概要设计
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
