这种定量方法使用时间序列 建模的 历史数据来预测未来结果。时间序列是按时间顺序绘制的一系列数据点。

时间序列预测模型有助于揭示数据中受周期、不规则波动、季节性和其他变化影响的可预测趋势。

时间序列分析经常与时间序列预测一起被提及。时间序列分析需要理解时间序列数据以从中获得洞察分析，而时间序列预测则超越了分析，而是预测未来值。

时间序列预测包含多种方法：

朴素法

天真法使用上一期的数据点作为下一期的预测。这使其成为最简单的时间序列预测方法，通常被视为初步基准。

简单移动平均法

简单移动平均法计算过去 T 个周期数据点的平均值。然后将该平均值作为下一时期的预测值。

加权移动平均值

这种方法以简单移动平均法为基础，但对过去 T 个周期的每个数据点都施加了权重。

指数平滑法

指数平滑法的工作原理是对时间序列数据进行指数加权平均。数据越旧，权重就越小——数据越新，权重就越大。

平滑系数（也称作平滑系数或平滑参数）可控制分配给过去和当前数据的权重。然后利用这些权重计算出加权移动平均值，作为预测值。这种预测成为时间序列的平滑版本，消除了数据中的波动、噪音、异常值和随机变化。

指数平滑通常不需要庞大的数据集，这使其成为良好的短期预测方法。而且，由于指数平滑赋予了当前数据更大权重，因此可以快速适应新趋势或不断变化的趋势。

季节指数法

对于商品或服务的生产或需求受季节影响的企业来说，季节性指数可能很有价值。

要计算季节性指数，就需要用某一特定季节的平均需求量除以所有季节的平均需求量。这些平均值通常使用移动平均技术计算得出，但也可以使用该季节的时间序列数据应用指数平滑法。季节性指数小于 1 表示需求低于平均水平，而大于 1 则表示需求高于平均水平。

为了估算下一季的预测，该季的预测需求量将乘以相应的季节性指数。