时间序列模型大致分类

时间序列模型主要用于处理一维数据序列，根据它们的结构和预测方法，可以大致分为以下几个类别：

1. **线性模型**：如自回归（AR）、移动平均（MA）和自回归移动平均（ARMA）模型，以及它们的扩展版本如ARIMA（自回归整合滑动平均模型），假设数据存在线性的趋势和周期性。

2. **状态空间模型**：如隐马尔科夫模型（HMM）和卡尔曼滤波（Kalman Filter），通过状态转移矩阵和观测概率来描述数据生成过程。

3. **指数平滑模型**：像简单移动平均、双指数平滑等，适用于平稳时间序列，通过加权历史值来预测未来值。

4. **非参数模型**：例如季节性分解（Seasonal Decomposition of Time Series，STL）和循环节成分分析（Cycle Decomposition），不需要预先设定函数形式。

5. **统计模型**：包括ARIMA模型的扩展，如 seasonal ARIMA (SARIMA) 和季节性自回归积分移动平均模型(SARIMAX)，考虑了季节性因素。

6. **机器学习模型**：如长短期记忆网络(LSTM)、变分自编码器(VAE)和Transformer等神经网络模型，广泛用于处理复杂的时间序列预测，尤其是序列到序列的任务。

7. **深度学习模型**：利用卷积神经网络(CNN)、递归神经网络(RNN)及其变形如GRU(门控循环单元)和注意力机制，能够捕捉长期依赖和复杂模式。