时间序列是一种标准的分析方法，但更先进的机器学习工具结合了统计技术来构建更准确的预测模型。时间无法倒流，但使用现有工具，您有更好的机会预测时间，或者更准确地说，预测时间序列样本中的事件是否会继续影响决策趋势。谷歌的FacebookProphet和TensorFlow是两个旨在吸引开发人员创建数据科学应用程序的机器学习协议。技术和分析经理应将这些工具视为扩展其DataOps功能并将其初始步骤扩展到机器学习的方法。FacebookProphet由Facebook的核心数据科学团队创建，可在处理能力成为问题的情况下提供可靠的时间序列预测。Prophet基于加法模型来解决非线性趋势如何适应每年、每周和每天的季节性。当数据包含周期性趋势时，该框架将帮助企业，例如发现突发事件影响的趋势。R编程和Python版本于一年前发布，因此公司可以利用开源资源来创建模型。GitHub上提供了源代码和示例。神经网络框架还提供了一套额外的概率模型，在R中称为单独的库。这允许更高级的统计模型更容易地构建到模型中。在时间序列的情况下，用户可以将贝叶斯结构应用于时间序列。贝叶斯结构化时间序列是一组概率模型，包含并扩展了许多标准时间序列建模概念。其目的是突出统计细节，以更准确地比较当前和以前时期之间的时间序列数据。TensorFlow概率库允许模型合并贝叶斯结构化时间序列。为什么都强调时间序列？时间序列报告与Excel电子表格一样常见，许多工具都显示时间序列数据，您只需查看网络分析解决方案或社交媒体分析报告即可。然而，这些解决方案中时间序列数据的可视化并没有真正考虑到统计分析。网络分析解决方案（例如GoogleAnalytics）可以提供引荐流量的时间序列结果，以确定哪些来源持续向网站发送流量。但是，假设您需要预测给定推荐来源的趋势可以持续多长时间，如果时间足够长，则趋势线的斜率可能无法立即与平坦线区分开来。为您的第一位客户确定搜索流量的最高转化来源通常需要很长时间，因为流量增长缓慢。根据当前的数据源，给定时间序列的频率模式也可能不是线性的。这意味着观察结果将以对数或曲线形式显示连续增加或减少。与标准解决方案相比，具有统计能力的工具能够更好地检测这些细微的趋势。进行股市预测的金融专业人士非常了解更好的统计能力的价值。他们使用先进的工具来创建准确的时间序列预测，但这种趋势被数据中的噪音和波动所掩盖。最新的工具支持许多统计功能，加快了有意义的决策分析的创建。数据中的随机噪声也可以被过滤掉。但高级分析也可以在其他仪表板（如Tableau）中完成，或者以编程方式在Python或R（如Prophet提供的创建可视化模型）中完成。虽然时间序列是一种简单的分析，但它有时可能包含复杂的统计细微差别。快速检查这些细微差别可以揭示正确的细节，帮助团队更快地做出更好的、数据驱动的决策。
