不要深度学习算法，通过简单的拟合算法

如果你不想使用深度学习算法，可以考虑一些更基础的统计和非参数拟合方法。以下是几种简单算法的例子：

1. **线性回归**：对于时间序列中的线性关系，线性回归是最直接的方式。你可以使用`numpy`或`statsmodels`库来创建模型，例如`ols = smf.OLS(y, X)`, 然后`fit`拟合模型并做预测。

2. **指数平滑法**（Exponential Smoothing）：这是一种常用的预测时间序列数据的技术，比如` statsmodels.tsa.holtwinters.ExponentialSmoothing`函数。

3. **移动平均**（Moving Average）：对于平稳的数据，计算过去一段时间内的平均值作为对未来的一个估计。Python库`pandas`的`rolling()`函数可用于此。

4. **滞后模型**（Autoregressive models, AR(p)）：基于过去的观测值预测未来的值，`statsmodels.tsa.ar_model.AR`可以帮助构建和拟合这样的模型。

5. **自回归整合移动平均模型**（AutoRegressive Integrated Moving Average, ARIMA）：结合了自回归和移动平均，适用于带有趋势或季节性的数据。`pandas-tsa`库中的`ARIMA`函数就是用来拟合此类模型的。

import pandas as pd
from statsmodels.tsa.api import SimpleExpSmoothing, ARIMA

# 假设df是带有时间序列数据的DataFrame
data = ...

# 对于线性回归
X = data['feature'].values.reshape(-1, 1)
y = data['target']
linear_regressor = LinearRegression()
linear_regressor.fit(X, y)
predictions = linear_regressor.predict(X_test)

# 对于简单指数平滑
smoother = SimpleExpSmoothing(data['target'])
fit = smoother.fit(smoothing_level=0.6)  # 设置平滑参数
forecast = fit.forecast(steps=10)  # 预测接下来10步

# 对于移动平均
moving_average = data['target'].rolling(window=10).mean()

# 自适应移动平均或者其他滞后的模型
arima_model = ARIMA(data['target'], order=(1, 0, 0))
result = arima_model.fit()
forecast = result.forecast(steps=10)[0]