🔑 名詞卡
時序分析模型（移動平均／ARIMA／Prophet／LSTM）
🎯 定義
針對具有時間順序性的資料（時序資料，Time Series Data）進行趨勢識別、季節性捕捉與預測的方法群，依複雜度可分為平滑法、統計建模法與進階預測模型三個層次。
複雜度光譜比較
| 層次 | 代表方法 | 特性 | 適用情境 |
|---|---|---|---|
| 趨勢與平滑方法 | 移動平均（Moving Average）、指數平滑（Exponential Smoothing） | 計算簡單、記憶體需求低 | 快速探索趨勢，短期預測 |
| 統計建模方法 | ARIMA（自迴歸+差分+移動平均）、SARIMA（加入季節性分量） | 模型解釋性強 | 中長期預測，如月度銷售額、季度用電量 |
| 進階預測模型 | Prophet（Meta 開源）、LSTM、Transformer | 捕捉複雜非線性模式與長期依賴 | 節慶效應、股票價格、感測器數據等複雜時序 |
重點／應用
- ARIMA：結合自迴歸（AR）、差分（I）、移動平均（MA），適合處理線性趨勢和穩定時間序列；SARIMA 則擴充加入季節性分量，適合週期性資料。
- Prophet：Meta 開源工具，具備自動化處理節慶效應、缺失值和趨勢突變的能力，操作介面簡單，適合快速部署。
- LSTM/Transformer：深度學習模型，擅長捕捉長期依賴和非線性模式，但計算資源需求與訓練成本較高。
記憶技巧
依複雜度排序記憶：移動平均/指數平滑（最簡單）→ ARIMA/SARIMA（統計模型，抓線性+季節性）→ Prophet/LSTM（進階模型，抓非線性+長期依賴）。
📖 課文原文「ARIMA（AutoRegressive Integrated Moving Average）：結合自迴歸（AR）、差分（I）和移動平均（MA），適合處理線性趨勢和穩定時間序列……Prophet（Facebook 開源工具）：具備自動化處理節慶效應、缺失值和趨勢突變的能力。」