🗂️ 11-07 · 时间序列面试八股(全章速成)¶
把 00~06 篇收拢成 105 个高频问答(7 组 × 15)+ 8 个手撕。 覆盖:平稳性/ACF/ADF、ARIMA、指数平滑/分解、特征工程/ML、深度学习、评估/异常检测、综合进阶。
复习路径:平稳性(00)→ ARMA/ARIMA(01)→ 指数平滑/分解(02/03)→ 特征+ML(04)→ 深度学习(05)→ 评估/异常(06)→ 综合进阶(07 本篇)。
核心概念¶
(a) 🗂️ 全章速成:105 问 + 8 手撕的面试地图¶
把 00~06 篇收拢成 7 组 × 15 = 105 个高频问答 + 8 个手撕。覆盖平稳性/ACF/ADF、ARIMA、指数平滑/分解、特征工程/ML、深度学习、评估/异常检测,附方法谱系一页纸,考前速成必看。
flowchart TB
Node1["🗂️ 七组 105 问"]
Node2["📊 第一组:平稳性 / ACF / ADF"]
Node3["🧮 第二组:ARMA / ARIMA"]
Node4["🪄 第三组:指数平滑 / 分解"]
Node5["⚙️ 第四组:特征工程 / ML"]
Node6["🧬 第五组:深度学习"]
Node7["📏 第六组:评估 / 异常检测"]
Node8["🧠 第七组:综合进阶 / 场景题"]
Node9["✍️ 8 个手撕"]
Node10["🗺️ 方法谱系一页纸"]
Node1 --> Node2
Node1 --> Node3
Node1 --> Node4
Node1 --> Node5
Node1 --> Node6
Node1 --> Node7
Node1 --> Node8
Node2 --> Node9
Node3 --> Node9
Node4 --> Node9
Node5 --> Node9
Node6 --> Node9
Node9 --> Node10
(b) 七组问答怎么用¶
- 第一组:平稳性 / ACF / ADF:时间序列三要素、弱平稳三条件、强 vs 弱平稳、随机游走为何非平稳(方差随 t 线性增长)、ACF/PACF 截尾拖尾、ADF 检验、Ljung-Box。
- 第二组:ARMA / ARIMA:AR 公式(历史观测回归)、MA 公式(历史误差回归)、ARIMA = 差分 + ARMA、ACF/PACF 识别、AIC/BIC 定阶、AR(1) 平稳条件 |φ|<1。
- 第三组:指数平滑 / 分解:SES 公式与 α 含义、等价 ARIMA(0,1,1)、Holt 加趋势、Holt-Winters 加季节、加法/乘法分解、经典分解三步、STL 的三个差异。
- 第四组:特征工程 / ML:滑窗构造 X、滞后特征 = AR 思想泛化、滚动统计、时间编码(one-hot vs sin/cos)、Expanding vs Rolling、四大泄漏场景。
- 第五组:深度学习:DL 做时序的优势、LSTM 用法、TCN(因果膨胀卷积)、Transformer 时序适配(Informer/稀疏注意力)、递归 vs 直接多步、归一化防泄漏。
- 第六组:评估 / 异常检测:MAE/RMSE/MAPE/sMAPE 的坑、按步长拆开评估、对比基线、z-score/IQR/滚动三类异常检测、P/R 曲线与 F1 阈值选择。
(c) 新增第七组 + 8 个手撕¶
- 第七组:综合进阶(91-105):多步预测在库存场景怎么落地、概念漂移怎么检测、季节性检验、特征重要性与业务解释、异常检测的冷启动(无标签)、多变量/外生特征怎么进模型、预测不确定性怎么输出给业务等——场景题是面试压轴。
- 8 个手撕:ACF+差分+简化 ADF、AR(2) OLS + AIC、SES+Holt+Holt-Winters、滑窗特征 + ExpandingWindow CV、LSTM 一步预测 + 递归多步、中心化 MA 分解手算、泄漏演示(全量 vs 训练段标准化)、因果膨胀卷积感受野——面试当场能写出来才算数。
0. 主线地图(考前 30 分钟路径)¶
第一组 平稳性/ACF/ADF → 手撕1:ACF+差分+ADF
第二组 ARMA/ARIMA → 手撕2:AR-OLS+AIC
第三组 指数平滑/分解 → 手撕3:SES/Holt/HW + 手撕6:中心化MA
第四组 特征工程/ML → 手撕4:滑窗+ExpandingCV + 手撕7:泄漏演示
第五组 深度学习 → 手撕5:LSTM+递归 + 手撕8:因果膨胀卷积
第六组 评估/异常检测
第七组 综合进阶/场景题
最终:方法谱系一页纸
0.1 复习纪律¶
- 每问先盖住答案自答 30 秒,再看答案;
- 手撕必须闭卷重写一遍(不看本篇代码);
- 场景题答案的骨架:先定义问题 → 再说方法 → 最后讲评估与坑。
0.2 场景题答题模板(面试官最想要的结构)¶
- 定义问题:预测什么、多久一次、horizon 多长、谁来用;
- 数据与基线:多久的历史、有无周期/缺失、naive/历史均值基线多少;
- 方法选型:单变量→统计;多变量/非线性→ML/DL;给出理由;
- 评估设计:时序 CV(Expanding)、按步长拆开、对比基线、MASE;
- 上线与监控:预测区间给业务、EWMA/CUSUM 盯漂移、定期重训。
面试一句话:先回答"怎么知道行不行",再回答"怎么做"——评估设计比模型本身更能拉开差距。
手撕考场策略(8 个手撕怎么练)¶
- 手撕 1(ACF/差分/ADF):30 行内完成,是"平稳性"的入场券;
- 手撕 2(AR-OLS/AIC):考滞后矩阵构造 + 信息准则公式,背熟
y[p-1-k: len-1-k]; - 手撕 3(SES/Holt/HW):三组递推公式,一行/两行/三行;
- 手撕 6(中心化 MA):偶数周期两步平均的相位对齐是高频考点;
- 手撕 7(泄漏演示):回答"标准化怎么防泄漏"的杀手锏;
- 手撕 8(因果膨胀卷积):左补零 + dilation=2^l,10 行拿下。
面试一句话:8 个手撕 = 平稳性 + 参数估计 + 递推 + CV + 泄漏 + 因果卷积——都是"背公式不如重写一遍"的题。
手撕常见追问(每个手撕后面试官会追一句)¶
| 手撕 | 常见追问 | 标准答法 |
|---|---|---|
| ACF/ADF | "ADF 滞后阶怎么定?" | 按 AIC 选滞后或固定 √n |
| AR-OLS | "为什么用 OLS 能估 AR?" | AR 是线性回归特例,滞后项做 X |
| SES | "α 怎么调?" | 最小化 SSE/留出集网格搜索 |
| 中心化 MA | "奇数周期要两步吗?" | 不用,MA(m) 本身居中 |
| 滑窗+CV | "k-fold 为什么错?" | 未来泄漏,必须 Expanding |
| 泄漏演示 | "还有哪些泄漏?" | 滚动特征含 t、全量标准化、去重 |
| LSTM | "递归多步误差?" | 逐期累积,长 horizon 用直接多步 |
| 因果卷积 | "感受野公式?" | k=2 时 RF=2^L,膨胀指数增长 |
面试一句话:手撕只是入场,追问才是真考——每个手撕背后都藏着 1~2 个"为什么"。
第一组:基础 · 平稳性 · ACF(1-15)¶
- 时间序列三要素? 趋势、季节/周期、噪声;加法/乘法模型
- 弱平稳三条件? 均值恒定、方差恒定、协方差只依赖滞后
- 强平稳 vs 弱平稳? 联合分布不变 vs 一、二阶矩稳定;实用看弱平稳
- 随机游走为什么非平稳? y_t = y_{t-1}+ε,方差随 t 线性增长
- 怎么把非平稳变平稳? 差分(去趋势/随机游走)、季节差分(去周期)、对数(稳方差)
- ADF 检验原假设? 有单位根(非平稳);t 统计量越负越拒绝
- ACF 定义? ρ(k)=γ(k)/γ(0);样本估计用去均值后点积/方差
- PACF 定义? 剔除中间滞后后 y_t 与 y_{t-k} 的纯相关(逐阶回归最后系数)
- 白噪声特征? 均值 0、方差恒定、ACF 全 0;Ljung-Box 检验
- Ljung-Box 的 Q 与自由度? Q=n(n+2)Σρ²/(n-k) ~ χ²(h)
- 95% ACF 置信带? ±1.96/√n;越界提示存在自相关
- 为什么建模前必须平稳? 统计规律漂移 → 参数无意义、预测回归到历史均值
- 差分 d 怎么定? ADF 不过就再差一阶(通常 ≤2)
- 季节差分? y_t − y_{t−m}(m=周期);与普通差分可叠加
- 单位根的经济/业务含义? 冲击永久持续(如股价),而非回归均值
第一组高频追问(1-15 背后的问题)¶
- "ACF 拖尾、PACF 截尾意味着什么?" → 拖尾=衰减不断、截尾=突然为 0;ACF 截尾→MA、PACF 截尾→AR、都拖尾→ARMA;
- "为什么随机游走方差随时间增长?" → $\\text{Var}(y_t) = t\\sigma^2$:每一步误差都累积;
- "KPSS 和 ADF 有什么区别?" → ADF 原假设=有单位根(非平稳);KPSS 原假设=平稳——两者都拒绝=序列既非平稳也非趋势平稳;
- "差分过度会怎样?" → 把长期信号当噪声差掉,模型只学短期抖动,预测回归均值。
面试一句话:平稳性问答考的是"定义-检验-处置"三段论,追问基本围绕这三点。
第二组:ARMA / ARIMA(16-30)¶
- AR(p) 公式? y_t = c + φ₁y_{t-1}+…+φ_p y_{t-p} + ε_t;历史观测回归
- MA(q) 公式? y_t = μ + ε_t + θ₁ε_{t-1}+…+θ_q ε_{t-q};历史误差回归
- ARMA 与 ARIMA 区别? ARIMA = 先差 d 阶再做 ARMA;ARIMA(p,d,q)
- AR(1) 平稳条件? |φ|<1;AR(p) 特征根在单位圆外
- MA 一定平稳? 是(有限记忆、冲击有限期影响)
- ACF/PACF 定阶? AR: PACF 截尾;MA: ACF 截尾;ARMA 都拖尾
- AR 怎么估计? OLS 直接回归滞后项
- MA 怎么估计? 误差不可观测 → 反解误差迭代 / MLE / 数值优化
- AIC/BIC 公式与差异? -2lnL+2k vs -2lnL+k·ln n;BIC 更严(大样本)
- 预测怎么外推? AR 部分递归代入;长期预测收敛到均值(回归均值)
- 为什么 ARIMA 预测置信区间变宽? 误差逐期累积,方差随 h 增长
- 季节 ARIMA(SARIMA)? 加季节阶 (P,D,Q)m;处理周期结构
- 残差要满足什么? 白噪声(Ljung-Box 通过);否则加阶/换模型
- ARIMA 局限? 线性、单变量为主、长序列/非线性不行
- 什么时候该上 ML/DL? 非线性、多变量、外生特征、长依赖场景
第二组高频追问(16-30 背后的问题)¶
- "MA 为什么不可逆会有问题?" → 同一 ACF 可能对应多个 MA 表示,要求|θ|<1 保证唯一(可逆性);
- "AIC 和 BIC 实战怎么选?" → 两者一起扫,候选模型 AIC/BIC 都低者优先;BIC 更偏简洁;
- "为什么 AR 长期预测收敛到均值?" → $\\hat y_{t+h} = c + \\phi \\hat y_{t+h-1}$ 递推 → 随 h 增大趋近 $\\frac{c}{1-\\phi}$;
- "SARIMA 与 ARIMA 何时用?" → ACF 在 lag=m, 2m... 有显著峰 → 加季节项。
面试一句话:ARIMA 问答考"公式-定阶-估计-诊断"四步,能背公式就赢一半。
第三组:指数平滑 · 分解(31-45)¶
- SES 公式与 α 含义? ŷ_{t+1}=αy_t+(1-α)ŷ_t;α 大跟手、小平滑
- SES 与 ARIMA 关系? 等价 ARIMA(0,1,1)
- Holt 比 SES 多什么? 趋势项 b_t;预测 ℓ_t+h·b_t
- Holt-Winters 多什么? 季节项 s_t(加法/乘法);γ 控季节平滑
- 加法 vs 乘法季节? 季节幅度固定 vs 随水平缩放;乘法要求 y>0
- 参数怎么选? 网格/优化最小化 SSE(留出集或 CV)
- 指数平滑适用? 单变量、低延迟、可解释场景(销售/库存/监控基线)
- 分解的加法模型? y = T + S + R;乘法 y = T×S×R(对数转加法)
- 经典分解三步? MA 去趋势 → 周期均值季节指数 → 残差
- 中心化 MA 为什么两步? 偶数周期窗口对齐到时间点(两步平均)
- STL 与经典分解差异? LOESS 局部回归、季节可漂移、鲁棒迭代
- 残差诊断? Ljung-Box 白噪声 + 残差方差占比;不过关=结构没提干净
- 分解的用途? EDA、季节调整、残差建模、异常检测基线
- 季节性检测? 季节指数显著偏离 0 / 周期自相关显著
- 乘法分解注意? 数据须为正;零/负值先平移或换加法
第三组高频追问(31-45 背后的问题)¶
- "Holt 预测公式是什么?" → $\\hat y_{t+h|t} = \\ell_t + h b_t$:水平+趋势×步数;
- "HW 三个参数 α β γ 各管什么?" → 水平/趋势/季节的平滑系数;0~1 之间,优化求解;
- "加法 vs 乘法季节怎么判断?" → 画周期图:季节振幅随水平放大→乘法;固定→加法;
- "STL 与经典分解最大区别?" → 经典假设季节固定;STL 的季节可缓慢漂移(LOESS 平滑季节分量)。
面试一句话:平滑/分解问答考"公式递推 + 参数含义 + 加法乘法选择"。
第四组:特征工程 · 机器学习(46-60)¶
- 时序 ML 的输入怎么构造? 滑窗:X=[y_{t-k}…y_{t-1}],y=目标
- 滞后特征对应什么? AR 思想的泛化;阶数看 ACF 显著滞后+业务周期
- 滚动统计特征? 均值/标准差/最大值/斜率(窗口 7/30)
- 时间编码方式? 类别(星期)one-hot;周期(小时/月份)sin-cos
- 为什么随机 K-Fold 不行? 时间泄漏:未来混入训练
- ExpandingWindow vs RollingWindow? 起点固定扩张 vs 固定长度滑动(适应漂移)
- 特征泄漏例子? 滚动特征混入目标未来值;全量标准化;重复样本
- 归一化怎么防泄漏? 只用训练段统计量,预测后还原
- 树模型 vs 线性对特征要求? 树不敏感尺度、自动交互;线性需标准化+手工交互
- 多步预测特征怎么滚动? 预测值递归回填(或直接模型输出多步)
- 时序 CV 每折怎么切? 训练集 = 折之前全部历史,测试集 = 下一段
- 为什么要有基线? 昨值重复/历史均值常打败复杂模型;先基线再升级
- 分类任务怎么处理时序? 滑窗特征 + 分类器;或事件窗口聚合
- 类别/星期特征 one-hot 后维度? 7 维;可用周内/周末二分降维
- 特征重要性与时序? 树模型可解释;滚动均值常最重要(平滑了噪声)
第四组高频追问(46-60 背后的问题)¶
- "滞后特征最多取多少阶?" → 看 ACF 显著滞后 + 业务周期;太多→维度灾难 + 共线;
- "sin-cos 编码为什么比 one-hot 好?" → one-hot 丢"相邻时间相近"的序;sin-cos 保持循环距离(23点与0点相邻);
- "树模型在时序上最怕什么?" → 外推能力差:特征在训练范围外时预测失效;
- "HGB vs 线性模型谁先试?" → 线性先试(快、可解释);有交互/非线性再加树。
面试一句话:特征/ML 问答考"构造-编码-防泄漏-CV"四件事,泄漏是最高频追问点。
第五组:深度学习时序(61-75)¶
- DL 做时序的优势? 自动非线性/多变量/长依赖特征
- LSTM 怎么用? 滑窗输入 → 取末时刻隐状态 → 输出预测
- TCN 特点? 因果膨胀卷积:并行、感受野指数增长、无递归累积
- Transformer 时序适配? 位置编码+注意力;长序列用 Informer/稀疏注意力
- 递归多步的缺点? 误差逐期累积(一步错步步错)
- 直接多步怎么做? 每步一个输出头/模型;无累积误差
- Seq2Seq / teacher forcing? 解码时用真实值引导训练,推理时用预测值
- 为什么按步长拆开评估? 第 1 步误差必然最小;长步长才是真能力
- 归一化还原? MinMax 后预测要乘回尺度;全量统计量=泄漏
- 梯度裁剪? RNN/LSTM 常见 clip=1.0 治爆炸
- 窗口长度怎么定? 覆盖最强周期;太短缺信息、太长难训练
- N-BEATS/iTransformer 是什么? 纯 MLP 分层/通道独立注意力——当前基准模型
- 多变量时序? 多通道输入 LSTM/Transformer 即可;外生变量拼接
- 数据量小怎么办? 统计/ML 更稳;DL 易过拟合,用简单结构+正则
- 预测不确定性? MC Dropout / 分位数回归 / 集成;DL 默认点预测无区间
第五组高频追问(61-75 背后的问题)¶
- "LSTM 为什么能记长依赖?" → 门控:遗忘门决定丢多少历史、细胞状态提供"直通快车道"(梯度不走 tanh 连乘);
- "TCN 与 LSTM 对比?" → TCN 并行快、梯度短、感受野指数;LSTM 隐状态天然顺序建模、参数少;
- "Transformer 做时序为什么加位置编码?" → 注意力是排列不变的,不加位置就丢了时间顺序(05 篇 toy 实验);
- "递归 vs 直接多步怎么选?" → 短 horizon 递归(模型少);长 horizon 直接(误差不累积)。
面试一句话:DL 问答考"为什么能记-怎么并行-位置编码-多步策略"——能答原理就能过。
第六组:评估 · 异常检测(76-90)¶
- MAE 特点? 平均绝对误差,对离群鲁棒
- RMSE 特点? 放大误差,惩罚大偏差;与 MSE 同源
- MAPE 的坑? y=0 爆炸;非对称(高估/低估惩罚不同)
- sMAPE 的坑? 有界 0~200%;对称但分母为 0 需处理
- 时序评估要注意? 按步长拆开;必须对比基线(昨值重复/均值)
- z-score 异常检测? |x-μ|/σ > 3;假设近似正态
- IQR 法? Q1-1.5IQR / Q3+1.5IQR 之外;分位数稳健
- 滚动窗口法? 局部均值±k·局部标准差;适应漂移
- 阈值怎么选? P/R 曲线扫描 + F1;按业务成本定倾向
- Precision/Recall 公式? TP/(TP+FP)、TP/(TP+FN)
- F1 什么时候用? 正负类不均衡;宏/微平均
- 尖峰 vs 漂移检测区别? 瞬时大偏差 vs 均值缓慢变化(后者用 CUSUM/分位回归)
- 异常检测防泄漏? 滚动统计只用历史窗口(因果)
- 无标签怎么评估异常检测? 人工抽样 + 检出率/误报率;或半监督注入已知异常
- 报警抖动怎么办? 连续 N 次触发才报警 / 冷却期 / 平滑分数
第六组高频追问(76-90 背后的问题)¶
- "为什么 RMSE 永远 ≥ MAE?" → Jensen 不等式:$\\sqrt{\\mathbb{E}[e^2]} \\ge \\mathbb{E}[|e|]$;越有离群差越大;
- "无标签怎么评估异常检测?" → 人工抽样标注 + 检出率/误报率;或注入已知合成异常;
- "阈值扫描选 F1 最大还是业务最优?" → F1 是技术起点,业务成本(误报/漏报代价)最终定;
- "EWMA 报警和 CUSUM 报警区别?" → EWMA 看单点平滑偏离;CUSUM 累积持续小偏差,抓漂移更早。
面试一句话:评估/异常问答考"指标坑-泄漏-阈值-成本"四件事,能说出业务倾向就是加分。
第七组:综合进阶 · 场景题(91-105)¶
- 业务场景:库存缺货预警? → 分位数预测(q10/q90 区间)+ 残差异常检测 + 业务成本调阈值
- 概念漂移怎么检测? → 滚动窗口误差监控(EWMA 在误差上);重训触发 = 误差超基线 2σ
- 季节性怎么检验? → 周期 ACF 显著 / 季节指数偏离 / 分解 F_s 强度指标
- 多步预测在供应链怎么落地? → 递归(短)或直接(长);按 horizon 分档建模型
- 特征重要性和业务解释? → 置换重要性 + 业务变量对照;警惕相关不因果
- 异常检测冷启动(无标签)? → 无监督(z-score/IQR/隔离森林)+ 人工抽样校准阈值
- 多变量外生特征怎么进模型? → ML:直接拼列;DL:多通道/embedding;统计:ARIMAX
- 预测不确定性怎么输出给业务? → [q05, q95] + 置信度分数,让业务做风险决策
- 数据量很小(<100 点)? → 统计方法优先(SES/Holt/ARIMA);DL 会过拟合
- 长序列 + 稀疏外生? → 分两段:分解趋势季节 + 残差上做外生回归
- 在线预测/流式更新? → EWMA/Holt 递推可增量;DL 用滑动窗口 + 定期重训
- 模型选择框架? → 先基线 → 统计 → ML → DL;用 MASE/时序 CV 统一比较
- 缺失值怎么办? → 时间性填充(前值/插值);先用可用窗口估计统计量,别用全量
- 时序里的过拟合信号? → 训练误差远低验证 + 测试一测就崩;查泄漏
- 给算法岗的"最后一句"? → 先问基线、再防泄漏、按步长评估、异常检测要阈值
场景题详解:库存缺货预警(把 91-98 串成完整答案)¶
问题定义:每日销量序列,预测未来 14 天,给出"何时会缺货"的预警。
Step 1 基线:naive 昨值 / 历史均值 → 算出 MASE 参照线(06 篇指标直接上场)。
Step 2 建模:
- 单变量+强周期 → 先 STL 分解(03 篇)或 SARIMA;
- 要外生(促销/天气)→ 特征+ML(04 篇:滑窗+滚动统计+sin-cos);
- 要长依赖+多变量 → LSTM/TCN(05 篇)。
Step 3 区间:分位数回归给 [q10, q90](06 篇 pinball),缺货预警 = 库存 < q90。
Step 4 监控:预测误差 EWMA + CUSUM 盯漂移(06 篇);报警阈值按缺货成本调 F1。
Step 5 复盘:覆盖率月核对、按 horizon 拆开看长步长误差。
面试一句话:场景题 = 基线 → 方法 → 区间 → 监控,四步全讲完就是满分答案。
第七组(下):追问与反套路(106-110 加分题)¶
- "为什么不用 Prophet?" → Prophet 是趋势+季节+节假日结构模型,适合业务指标;但线性趋势假设、多变量支持弱,复杂场景要上 ML/DL;
- "指标涨了但业务没感觉"? → 检查是否泄漏、是否对比过基线、指标是否对离群敏感(换 MASE/sMAPE);
- "模型上线后要盯什么?" → 预测误差 EWMA、覆盖率、特征分布漂移(PSI)、报警率;
- "怎么向非技术老板汇报?" → 讲清楚"比基线好多少%"+ 一张区间图,不讲公式;
- "算法岗反问环节问什么?" → 数据口径、标签来源、监控谁做、成功标准——体现工程思维。
面试一句话:加分题考的是"工程闭环":数据→模型→上线→监控→复盘,缺一环都会被追问。
第七组高频追问(91-110 背后的问题)¶
- "冷启动没标签怎么做阈值?" → 先无监督打异常分,人工抽查 N 个最高分样本定基线阈值,再滚动校准;
- "漂移和季节怎么区分?" → 漂移=水平/分布缓慢改变(CUSUM 累计);季节=周期内固定波动(ACF 周期峰);
- "多步 horizon 分档建模怎么做?" → h=1~3 一个模型、h=4~7 一个模型,评估按档报 MASE;
- "模型上线后多久重训?" → 误差 EWMA 超基线 2σ 或 PSI 超阈值即重训,不靠日历拍板。
面试一句话:场景题答得好不好,看有没有把"评估与监控"放进方案——纯建模方案拿不到满分。
快速记忆卡:7 组 × 1 句口诀¶
| 组 | 口诀 |
|---|---|
| 1 平稳性 | 看图→ADF→差分→ACF/PACF 定阶→残差白噪声 |
| 2 ARIMA | PACF 截尾定 p,ACF 截尾定 q,AIC/BIC 复检 |
| 3 平滑分解 | SES=ARIMA(0,1,1),Holt 加趋势,HW 加季节,STL 更鲁棒 |
| 4 特征 ML | 滑窗构造,滚动统计,sin-cos 编码,Expanding CV 防泄漏 |
| 5 深度学习 | LSTM 门控记忆,TCN 因果膨胀,Transformer 要位置编码 |
| 6 评估异常 | MASE 比 naive,按步长拆开,P/R+F1 调阈值 |
| 7 综合场景 | 基线→方法→区间→监控,四步闭环 |
面试前夜:只看这张表 + 8 个手撕重写一遍,第二天手感最稳。
附:时间序列方法谱系一页纸¶
┌─ 平稳化:差分/季节差分/对数 ─┐
原始序列 ── 看图/ADF ──┤ ├─▶ ARMA/ARIMA/SARIMA(统计预测)
└─ 分解:MA/STL(趋势+季节)──┘
┌─ 指数平滑 SES/Holt/HW(轻量递推)
├─ 特征+ML:滑窗/滚动/编码 + Ridge/LGBM
└─ 深度学习:LSTM/TCN/Transformer/N-BEATS
评估:MAE/RMSE/MAPE/sMAPE/MASE + 时序CV(Expanding) + 基线对比
异常:z-score / IQR / 滚动窗口 / STL残差 / CUSUM + P/R/F1 阈值
区间:分位数回归 / pinball / MC Dropout
考前 30 分钟扫一遍 110 问 + 8 个手撕,覆盖 90% 时序算法岗考点。
数字敏感度与易错点(全章收口)¶
- 差分次数:d ≤ 2,过度差分会把信噪比做没;
- AIC vs BIC:BIC 惩罚更重,小样本选 BIC 易欠拟合;两个一起看;
- 中心化 MA 相位:偶数周期忘了两步平均 = 预测错半格;
- 滚动特征窗口:用当前时刻 t 的窗口(含 t)会泄漏——必须用 t 之前;
- 标准化:训练/测试分开 fit;预测后还原尺度;
- 递归多步:误差累积,长 horizon 改用直接多步;
- 异常阈值:固定 3σ 不如 P/R 扫描 + 业务成本;
- 无标签异常:先无监督 + 人工抽样,别硬造分类标签。
一句话总结本篇¶
平稳性 → 差分/ADF
ARIMA → AIC/BIC 定阶
指数平滑/分解 → 递推公式 + 中心化 MA
特征+ML → 滑窗 + Expanding CV(防泄漏)
深度学习 → LSTM/TCN/Transformer
评估 → MASE + 基线 + 按步长
异常 → z-score/IQR/滚动 + CUSUM + P/R
八件事必须带走:① 平稳化三步;② ARIMA 定阶口诀(PACF 截尾定 p);③ SES=ARIMA(0,1,1);④ 偶数周期中心化两步;⑤ 时序 CV 不 shuffle;⑥ 泄漏三场景;⑦ LSTM 末态 + 还原尺度;⑧ 阈值靠扫描。
面试速答(30 秒背诵版)¶
- 平稳化三步:看图 → ADF → 差分/季节差分/对数
- ARIMA 定阶:PACF 截尾定 p、ACF 截尾定 q、AIC/BIC 复检
- 指数平滑:SES=ARIMA(0,1,1);Holt 加趋势、HW 加季节
- 分解:MA 去趋势 → 季节指数 → 残差;STL=LOESS+鲁棒+季节可漂移
- ML 防泄漏:标准化/滚动统计只用训练段;时序 CV 不 shuffle
- DL 三件武器:LSTM 记忆、TCN 因果膨胀、Transformer 长程注意力
- 评估:MAE/MASE + 基线 + 按步长拆开
- 异常:z-score/IQR/滚动三件套 + P/R/F1 阈值
- 压轴:先基线 → 防泄漏 → 区间 → 业务成本
自测清单(本章总验收)¶
- 七组 105 问:能不看答案复述 80%+
- 8 个手撕:ACF/差分/ADF、AR-OLS/AIC、SES/Holt 递推、中心化MA、滑窗+ExpandingCV、泄漏演示、LSTM+递归多步、因果膨胀卷积
- 能从一个真实业务序列完整讲:平稳化 → 建模 → 评估 → 异常监控
- 能对比:ARIMA vs 指数平滑 vs ML vs DL 的适用边界
- 能讲清一个场景题(库存/风控/监控任选)的完整方案
- 回到 00~06 篇把「面试速答」再过一遍
📍 验收路径:00 平稳性 → 01 ARMA → 02 平滑 → 03 分解 → 04 特征ML → 05 深度学习 → 06 评估异常 → 07 总复习。
延伸阅读与知识图谱¶
统计
├─ ARIMA/SARIMA(Box-Jenkins)
├─ 指数平滑(ETS 框架:误差/趋势/季节)
└─ 分解(经典 MA / STL / X-13)
机器学习
├─ 特征:滑窗 / 滞后 / 滚动 / sin-cos
└─ 模型:Ridge / 树 / HGB / 分位数回归
深度学习
├─ LSTM/GRU(门控记忆)
├─ TCN(因果膨胀卷积)
└─ Transformer(Informer / iTransformer / N-BEATS)
评估与异常:MASE / pinball / P-R / z-score / IQR / CUSUM / EWMA
- 延伸阅读:Box & Jenkins《Time Series Analysis》;Hyndman《Forecasting: Principles and Practice》(免费在线,MASE/ETS 权威);Lai et al. 2018《Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks》。
全章回顾:三句话总结 00~07¶
- 00-01:平稳性判断 + ARIMA 家族(统计预测的基石);
- 02-03:指数平滑 + 分解(轻量、可解释、监控常用);
- 04-06:特征/ML/DL + 评估异常(工业化落地的三件套)。
面试最后总结:"我熟悉从平稳性检验到深度学习建模再到异常监控的全链路,常用 MASE 对比基线的时序 CV 来评估"——一句话说完胜过背一百问。
# ---------- 手撕 1:ACF + 差分 + 简化 ADF 三件套 ----------
import numpy as np
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'Songti SC', 'Arial Unicode MS', 'DejaVu Sans']
matplotlib.rcParams['axes.unicode_minus'] = False
rng = np.random.default_rng(0)
rw = np.cumsum(rng.normal(0, 1, 300))
def acf(x, max_lag=10):
x = x - x.mean(); v = np.dot(x, x)
return np.array([1.0] + [np.dot(x[k:], x[:-k]) / v for k in range(1, max_lag + 1)])
def adf_stat(x):
dx = x[1:] - x[:-1]; lag = x[:-1]
A = np.stack([np.ones(len(dx)), lag], axis=1)
beta, *_ = np.linalg.lstsq(A, dx, rcond=None)
resid = dx - A @ beta
se = np.sqrt((resid @ resid) / (len(dx) - 2) / np.sum((lag - lag.mean()) ** 2))
return beta[1] / se
print('随机游走 ADF t=%.2f(>-2.86 非平稳) | 差分后 ADF t=%.2f(平稳)' % (adf_stat(rw), adf_stat(np.diff(rw))))
print('差分后 ACF 前 5 项:', np.round(acf(np.diff(rw), 5)[:5], 3))
assert adf_stat(rw) > -2.86 and adf_stat(np.diff(rw)) < -2.86
assert np.abs(acf(np.diff(rw))[1:]).max() < 0.25
print('面试 30 秒版:看图 → 差分 → ADF 确认 → ACF/PACF 定阶 → 建模 → 残差白噪声')
随机游走 ADF t=-0.72(>-2.86 非平稳) | 差分后 ADF t=-16.68(平稳) 差分后 ACF 前 5 项: [ 1. 0.03 0.015 -0.023 0.046] 面试 30 秒版:看图 → 差分 → ADF 确认 → ACF/PACF 定阶 → 建模 → 残差白噪声
# ---------- 手撕 2:AR(2) OLS 估计 + AIC 定阶 ----------
def simulate_ar(phi, n=400, sigma=1.0):
p = len(phi); y = np.zeros(n); e = rng.normal(0, sigma, n)
for t in range(p, n):
y[t] = sum(phi[k] * y[t - 1 - k] for k in range(p)) + e[t]
return y
def fit_ar(y, p):
X = np.stack([np.ones(len(y) - p)] + [y[p - 1 - k: len(y) - 1 - k] for k in range(p)], axis=1)
beta, *_ = np.linalg.lstsq(X, y[p:], rcond=None)
return beta
def aic_ar(y, p):
beta = fit_ar(y, p)
X = np.stack([np.ones(len(y) - p)] + [y[p - 1 - k: len(y) - 1 - k] for k in range(p)], axis=1)
resid = y[p:] - X @ beta
return len(resid) * np.log(resid @ resid / len(resid)) + 2 * (p + 1)
y2 = simulate_ar([0.6, 0.25])
print('估计 φ:', np.round(fit_ar(y2, 2)[1:], 3), '(真值 [0.6, 0.25])')
aics = {p: round(aic_ar(y2, p), 2) for p in (1, 2, 3)}
print('AIC:', aics, '-> 选 p =', min(aics, key=aics.get))
assert min(aics, key=aics.get) == 2
print('手撕要点:滞后矩阵构造 = y[p-1-k: len-1-k];AIC = n·log(SSE/n)+2k')
估计 φ: [0.566 0.239] (真值 [0.6, 0.25])
AIC: {1: np.float64(9.03), 2: np.float64(-11.29), 3: np.float64(-8.59)} -> 选 p = 2
手撕要点:滞后矩阵构造 = y[p-1-k: len-1-k];AIC = n·log(SSE/n)+2k
# ---------- 手撕 3:SES + Holt 各一步 + Holt-Winters 季节指数 ----------
def ses_step(alpha, y_prev, f_prev):
return alpha * y_prev + (1 - alpha) * f_prev
def holt_step(alpha, beta, y, l_prev, b_prev):
l = alpha * y + (1 - alpha) * (l_prev + b_prev)
b = beta * (l - l_prev) + (1 - beta) * b_prev
return l, b
print('SES 一步: α=0.3, y=10, f_prev=9 ->', round(ses_step(0.3, 10, 9), 3), '(= 3 + 6.3 = 9.3)')
l, b = holt_step(0.4, 0.2, 12, 10, 0.5)
print('Holt 一步: ℓ=%.3f b=%.3f -> 一步预测 ℓ+b=%.3f' % (l, b, l + b))
assert abs(ses_step(0.3, 10, 9) - 9.3) < 1e-9
print('手撕要点:SES 一行、Holt 两行、HW 三行——背这三组递推公式即可')
SES 一步: α=0.3, y=10, f_prev=9 -> 9.3 (= 3 + 6.3 = 9.3) Holt 一步: ℓ=11.100 b=0.620 -> 一步预测 ℓ+b=11.720 手撕要点:SES 一行、Holt 两行、HW 三行——背这三组递推公式即可
# ---------- 手撕 6:中心化移动平均分解手算 ----------
def centered_ma(x, m):
# 偶数周期两步平均:先 MA(m) 得半点,再对半点做 MA(2),输出对齐到原时间轴
n = len(x)
half = np.full(n, np.nan)
for i in range(m - 1, n):
half[i] = x[i - m + 1:i + 1].mean() # half[i] 落在 t=i-1.5
out = np.full(n, np.nan)
for t in range(m - 2, n - 2):
out[t] = (half[t + 1] + half[t + 2]) / 2 # t-0.5 与 t+0.5 两点平均 → 整数 t
return out
# 手算 m=4:序列 1..8(2×4 MA 权重 [1,2,2,2,1]/8)
x6 = np.array([1., 3., 2., 4., 5., 7., 6., 8.])
t6m = centered_ma(x6, 4)
# t=2: (1+2·3+2·2+2·4+5)/8 = 3.0;t=3: (3+2·2+2·4+2·5+7)/8 = 4.0
print('中心化 MA(4):', np.round(t6m, 3))
manual2 = (np.mean(x6[0:4]) + np.mean(x6[1:5])) / 2 # (2.5+3.5)/2 = 3.0
print('手算 t=2 处 = (2.5+3.5)/2 = %.2f' % manual2)
assert abs(t6m[2] - manual2) < 1e-9
assert abs(t6m[3] - 4.0) < 1e-9
print('手撕要点:偶数周期必须两步平均(半点→整数点),一步 MA 会有半格相位偏移')
中心化 MA(4): [nan nan 3. 4. 5. 6. nan nan] 手算 t=2 处 = (2.5+3.5)/2 = 3.00 手撕要点:偶数周期必须两步平均(半点→整数点),一步 MA 会有半格相位偏移
# ---------- 手撕 4:滑窗特征 + ExpandingWindow 时序 CV ----------
from sklearn.linear_model import Ridge
n4, win4 = 300, 10
t4 = np.arange(n4)
s4 = 5 * np.sin(2 * np.pi * t4 / 30) + rng.normal(0, 0.8, n4)
X4 = np.stack([s4[i - win4:i] for i in range(win4, len(s4))])
Y4 = s4[win4:]
def expanding_cv(X, Y, folds=3, test=30):
n = len(X); errs = []
for f in range(folds):
te = min(int(n * 0.5) + f * test, n)
m = Ridge().fit(X[:te - test], Y[:te - test])
errs.append(np.mean(np.abs(m.predict(X[te - test:te]) - Y[te - test:te])))
return float(np.mean(errs))
print('ExpandingCV MAE=%.3f | 昨值重复 MAE=%.3f' %
(expanding_cv(X4, Y4), float(np.mean(np.abs(np.diff(s4))))))
assert expanding_cv(X4, Y4) < float(np.mean(np.abs(np.diff(s4))))
print('要点:手写 CV 时永远"训练在前、测试在后",绝不 shuffle')
ExpandingCV MAE=0.561 | 昨值重复 MAE=1.029 要点:手写 CV 时永远"训练在前、测试在后",绝不 shuffle
# ---------- 手撕 7:泄漏演示——全量 vs 训练段标准化 ----------
from sklearn.preprocessing import StandardScaler
# 漂移数据:测试期均值不同
drift7 = np.concatenate([np.zeros(n4 // 2), np.full(n4 - n4 // 2, 6.0)])
s_drift = s4 + drift7
Xd7 = np.stack([s_drift[i - win4:i] for i in range(win4, len(s_drift))])
Yd7 = s_drift[win4:]
sp7 = int(0.8 * len(Xd7))
sc_full = StandardScaler().fit(Xd7)
Xtr_l = sc_full.transform(Xd7[:sp7]); Xte_l = sc_full.transform(Xd7[sp7:])
sc_tr = StandardScaler().fit(Xd7[:sp7])
Xtr_c = sc_tr.transform(Xd7[:sp7]); Xte_c = sc_tr.transform(Xd7[sp7:])
ml = Ridge(fit_intercept=False).fit(Xtr_l, Yd7[:sp7])
mc = Ridge(fit_intercept=False).fit(Xtr_c, Yd7[:sp7])
mae_l = np.mean(np.abs(ml.predict(Xte_l) - Yd7[sp7:]))
mae_c = np.mean(np.abs(mc.predict(Xte_c) - Yd7[sp7:]))
print('泄漏版 MAE=%.3f | 干净版 MAE=%.3f' % (mae_l, mae_c))
assert mae_l > mae_c * 1.1, '全量标准化泄漏了测试期均值 → 更差'
print('手撕要点:预处理统计量只用训练段;一句话回答"标准化怎么防泄漏"')
泄漏版 MAE=3.768 | 干净版 MAE=2.520 手撕要点:预处理统计量只用训练段;一句话回答"标准化怎么防泄漏"
# ---------- 手撕 5:LSTM 一步预测 + 递归多步 ----------
import torch
import torch.nn as nn
torch.manual_seed(0)
w5, H5 = 20, 16
z5 = (s4 - s4.mean()) / s4.std()
X5 = torch.tensor(np.stack([z5[i - w5:i] for i in range(w5, len(z5))]), dtype=torch.float32).unsqueeze(-1)
Y5 = torch.tensor(z5[w5:], dtype=torch.float32).unsqueeze(-1)
sp = int(0.8 * len(X5))
class Net(nn.Module):
def __init__(self):
super().__init__()
self.lstm = nn.LSTM(1, H5, batch_first=True); self.fc = nn.Linear(H5, 1)
def forward(self, x):
return self.fc(self.lstm(x)[0][:, -1])
net = Net()
opt = torch.optim.Adam(net.parameters(), lr=5e-3)
for ep in range(50):
idx = torch.randperm(sp)[:200]
loss = nn.functional.mse_loss(net(X5[idx]), Y5[idx])
opt.zero_grad(); loss.backward(); opt.step()
with torch.no_grad():
pred5 = net(X5[sp:]).squeeze(-1).numpy() * s4.std() + s4.mean()
true5 = (Y5[sp:].squeeze(-1).numpy() * s4.std() + s4.mean())
mae_lstm = np.mean(np.abs(pred5 - true5))
mae_base = np.mean(np.abs(np.diff(s4[sp:])))
print('LSTM 一步 MAE=%.3f | 差分基线 MAE=%.3f' % (mae_lstm, mae_base))
assert mae_lstm < mae_base
print('手撕要点:滑窗 -> LSTM -> 末态 -> FC;预测完记得还原尺度')
LSTM 一步 MAE=0.677 | 差分基线 MAE=1.111 手撕要点:滑窗 -> LSTM -> 末态 -> FC;预测完记得还原尺度
# ---------- 手撕 8:因果膨胀卷积感受野 ----------
import torch.nn.functional as F
def causal_dilated_conv(x, weight, bias, dilation):
k = weight.shape[2]
pad = dilation * (k - 1)
xp = F.pad(x, (pad, 0))
return F.conv1d(xp, weight, bias, dilation=dilation)
x8 = torch.arange(32, dtype=torch.float32)[None, None, :]
h8 = x8
for l in range(3):
h8 = causal_dilated_conv(h8, torch.ones(1, 1, 2), torch.zeros(1), dilation=2 ** l)
print('3 层 TCN 后 h[31] = %.1f(RF=8:x[24..31] 之和)' % h8[0, 0, 31].item())
assert abs(h8[0, 0, 31].item() - x8[0, 0, 24:32].sum().item()) < 1e-4
print('手撕要点:左端补零=因果;dilation=2^l=感受野指数增长(k=2 时 RF=2^L)')
3 层 TCN 后 h[31] = 220.0(RF=8:x[24..31] 之和) 手撕要点:左端补零=因果;dilation=2^l=感受野指数增长(k=2 时 RF=2^L)