Singapore Data

预测任务——根据过去的值预测未来的值——是许用中的关键任务。它使我们能够预测关键指标的未来值，从而帮助我们做出重要的下游决策，例如需要储存多少产品库存，或者如何更好地分配数据中心的资源。

随着IT基础设施日益先进，我们收集海量数据的能力也随之提升——采样率更高，时间跨度更长，最终生成极长的时间序列数据集。虽然收集更多数据的能力通常是一个优势，尤其是在机器学习 (ML) 领域，但我们将会看到，在尝试应用机器学习技术（尤其是在预测方面）时，从包含众多活动部件的动态系统中收集时间序列数据可能会带来一些挑战。

非平稳性：时间序列随时间变化
本文主要关注的是时间序列预测中的非平稳性问题。为了理解非平稳性的含义，请考虑以下两种相反的场景：

平稳性是指时间序列数据值保持在一定范围内，以及时间序列统计模式的规律性。也就是 电话号码收集 说，对于平稳的时间序列，时间序列数据的统计信息（例如均值或方差）保持不变。
相比之下，非平稳性是指时间序列数据的统计分布并非保持平稳的现象。非平稳时间序列的状态意味着数据值和数据的统计信息会随时间而变化——方差、平均值、标准差，如果数据非平稳，这些量中的任何一个都可能发生变化。