第一篇記錄了時間序列屬性，將趨勢、季節性等元素拆解、分別畫出圖表；
第二篇則介紹時間序列轉換方法，透過縮放，讓資料分布更趨於常態，讓我們更好觀察時序的類型。
從第三篇開始，我們會盤點時間序列預測方法，例如經典的統計模型：移動平均、ARIMA，再到最常見的機器學習迴歸模型、更適合處理多維特徵時間序列的遞迴神經網絡等等。

我們將會介紹的統計模型有以下：

Autoregressive models (AR)

• 公式：

• 邏輯：假設過去多個時間點 與 未來時間點的值呈線性關係，使用過去多個時間點的線性組合對未來時間點做預測。

Vector Autoregression model (VAR)

• 公式：
• 邏輯：向量自迴歸模型。從只能使用一個變量的 Autoregressive model 擴充成多變量，常於多變數時間序列。

Moving Average (MA)

Simple Moving Average

• 公式：

• 邏輯：
  移動平均會比整體平均更能反映現況。

Weighted Moving Average

• 公式：

• 邏輯：
  簡單移動平均法的延伸，可在公式中對不同時間點設定權重。

Exponential Smoothing (ES)

• 公式：

• 邏輯：
  對使用指數函數 (exponential function)，越久以前的時間點，權重會呈指數衰減。

Autoregressive integrated moving average (ARIMA)

• 公式：

• 邏輯：整合移動平均自回歸模型，從 ARMA 演變而來，多了 I(d) 先計算 differencing 多次讓時序平穩化後，使用自迴歸 (AR) 及移動平均 (MA) 的線性組合進行時序預測；其中的 d 是指 differencing 次數。

Holt's Model

Holt's Linear Trend Model

• 公式：
  • 預測方程：
    • 計算「level」的方程：
    • 計算「Trend」的方程：
• 邏輯：
  使用兩個 ES 分別計算 Level & Trend，再做線性組合。

Holt-Winters model

• 公式：
  • 預測方程 (Additive)：
    • 計算「level」的方程：
    • 計算「Trend」的方程：
    • 計算「Seasonality」的方程：
• 邏輯：
  在 Holt's Linear Trend Model 的基礎上，多加一個 ES 計算 Seasonality，並延續第一篇介紹過的類型，分為 Additive 和 Multiplicative。