時間序列的預測方法可以歸納為三類：
1、時間序列基本規則法-周期因子法；
2、傳統序列預測方法，如均值回歸、ARIMA等線性模型；
3、機器學習方法，將序列預測轉為有監督建模預測，如XGBOOST集成學習方法，LSTM長短期記憶神經網絡模型。
當序列存在周期性時，通過加工出數據的周期性特征預測。這種比較麻煩，簡述下流程不做展開。
1、計算周期的 因子 。
2、計算base
3、預測結果=周期因子*base
ARIMA模型，差分整合移動平均自回歸模型，又稱整合移動平均自回歸模型
（移動也可稱作滑動），時間序列預測分析方法之壹。ARIMA（p，d，q）中，
AR是"自回歸"，p為自回歸項數；MA為"滑動平均"，q為滑動平均項數，
d為使之成為平穩序列所做的差分次數（階數）。
建模的主要步驟是：
1、數據需要先做平穩法處理：采用（對數變換或差分）平穩化後，並檢驗符合平穩非白噪聲序列；
2、觀察PACF和ACF截尾/信息準則定階確定(p, q);
3、 建立ARIMA（p，d，q）模型做預測;
Long Short Term 網絡是壹種 RNN 特殊的類型，可以學習長期依賴序列信息。
LSTM區別於RNN的地方，主要就在於它在算法中加入了壹個判斷信息有用與否的“處理器”，這個處理器作用的結構被稱為cell。壹個cell當中被放置了三扇門，分別叫做輸入門、遺忘門和輸出門。壹個信息進入LSTM的網絡當中，只有符合信息才會留下，不符的信息則通過遺忘門被遺忘。通過這機制減少梯度爆炸/消失的風險。
建模主要的步驟：
1、數據處理：差分法數據平穩化；MAX-MIN法數據標準化；構建監督學習訓練集；（對於LSTM，差分及標準化不是必要的）
2、模型訓練並預測；