---
title: "時間序列預測（Time Series Forecasting）"
slug: time-series-forecasting
language: zh-TW
source: https://aiterms.tw/terms/time-series-forecasting
updated_at: 2026-07-30
tags: [時間序列, ARIMA, Prophet, 機器學習應用, 預測模型]
ipas_term: false
---

# 時間序列預測（Time Series Forecasting）

基於歷史時序資料的統計規律，預測未來特定時間點或時間段的數值的技術。

## 完整說明

時間序列預測（Time Series Forecasting）是分析按時間順序排列的觀測值序列，並利用其中的趨勢、季節性、週期性和殘差等成分，建立數學模型以預測未來值的一類技術。廣泛應用於氣象預報、電力負載預測、股市分析、銷售預測與流量估計等領域。

## 常見問題

### ARIMA 和 Prophet 應該怎麼選？

ARIMA 是嚴格的統計模型，要求序列平穩，需要手動調校 p、d、q 參數（可用 auto-ARIMA 自動搜尋），對於線性趨勢、無複雜季節性的中短序列表現良好；缺點是對異常值敏感，處理多重季節性（如每日+每週+每年）較麻煩。Prophet 由 Facebook 開發，設計目標是讓非統計背景的業務人員也能使用：自動處理趨勢、多重季節性和節假日效應，能較好地處理缺失值和異常值，參數可解釋性高，適合業務指標（如電商銷售額、網站流量）的自動化預測。若需要可解釋的傳統統計分析或序列很短，選 ARIMA；若是業務場景、資料有明顯季節性或需要快速上手，選 Prophet。

### 時序資料能用普通的 K-Fold 交叉驗證嗎？

不能。普通 K-Fold 交叉驗證會隨機打亂資料，把未來的資料放進訓練集、過去的資料放進驗證集，造成嚴重的資料洩漏（Data Leakage）：等於用「未來資訊」預測「過去」，評估結果極度樂觀，與實際部署時的性能相差甚遠。時序資料必須使用時序感知的評估方式：最簡單的是按時間順序切分（前 N% 訓練、後 (1-N)% 測試）；更嚴謹的是時序滾動交叉驗證（Time Series Split 或 Walk-Forward Validation），即多次擴大訓練窗口向前滾動，每次只在對應的未來時段上驗證，確保驗證集始終在訓練集之後，模擬真實的線上預測場景。

### 深度學習模型（如 LSTM）在時序預測上一定比 ARIMA 或 LightGBM 好嗎？

不一定。在時序預測領域，模型的選擇取決於資料量、序列複雜度和任務需求。若資料量少（如只有幾百個時步），深度學習模型容易過擬合，ARIMA 等傳統統計方法反而更穩健。若序列具有明顯的線性趨勢和固定季節性，ARIMA 族方法通常已足夠。LightGBM 加上精心設計的滯後特徵（Lag Features）和滾動統計特徵（Rolling Statistics），在 Kaggle 等競賽中常勝過 LSTM，且速度更快、調參更容易。LSTM 在序列非常長、具有複雜非線性模式、或需要同時處理多元序列時有優勢。建議先試傳統方法建立基線，再嘗試機器學習或深度學習方法，以實際驗證集性能決定。

---

來源：https://aiterms.tw/terms/time-series-forecasting
快查頁：https://aiterms.tw/terms/time-series-forecasting
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-time-series-forecasting