一個有時間性質的數據要如何進行預測，通常我們分大概三個方向季節性、趨勢跟隨機變異。

舉個例子來說吧！聖誕節商品的銷售量：一定是聖誕節前賣得特別的好(季節性商品)，那我就應該要有辦法建立一個具有規律性的模型去預測這件事情。再來就是這家公司日新又新，因此業績有不斷向上的趨勢。不過難保不出意外，天有不測風雲，天災人禍無法預測以及避免，因此多少有隨機變異。

在既有的時間序列模型當中，主要都是在做這件事情，把這些季節性、趨勢跟隨機變異分開討論並且合在一起進行預測。在學校學到的便是ARIMA模型，由分差(數字-上一個數字)以及季節性(平移的平均)組成的模型。
這個模型當年我在學校是做股市預測的，雖然規則上很簡單，透過自迴歸(每個自己都減去上一個自己)跟計算滑動平均，但其實在大公司當中(公司穩定)，是有一定的準度的。這次拿來做每個車站的進出站人次，不知道能有什麼樣的發現。

除了ARIMA模型以外還會再額外介紹 Prophet預測模型，它具有突變點、大事件等ARIMA無法做到的功能(具體怎麼做到的我也不知道)，我也很期待！

我選了關山出站的資料來看

w = qq[,"關山"]
plot.ts(w)

經過季節性分解之後發現有滿明顯的變化的

apts <- ts(w, frequency = 12)
#季節性分解
f <- decompose(apts)
print(f$figure)
plot(f$figure, type = "b", xaxt="n", xlab = "")

monthNames <- months(ISOdate(2005,1:12,1))

axis(1,at=1:12, labels = monthNames, las=2)

plot(f)

在趨勢上的確有趨勢，季節性上感覺也很有節奏

之後可能會先拿關山的出站資料做簡單的分析。

這四天在北海道員工旅遊，餵熊、吃螃蟹、泡溫泉，還挺不錯的。