机器学习笔记 // 天气预报、股票价格以及历史轨迹（如摩尔定律）// 时间序列的常见属性
时间序列随处可见。你可能已经在天气预报、股票价格以及历史轨迹[如摩尔定律，见下图]等事物中见过它们。摩尔定律预测微芯片上面的晶体管个数大约每两年会翻倍。几乎50年以来，它已经被证明对未来的计算能源和成本来说是一个准确的预测器。
许多时间序列随着时间的推移有一个重复性的模式，重复发生在定期的间隔上称为季节。例如，考虑天气中的温度。每年通常有4个季节，其中夏天的温度最高。因此如果你绘制出几年以来的天气，会看到每4个季节就会有温度峰值。但是这种现象并不局限于天气。
一个网站访问量的绘图是按照星期绘制的，你可以看到有规律的下降。你能猜出来这些是什么吗？这个例子中的网站为软件工程师提供信息，因此在周末流量更少！
在时间序列中，你可能看到的另一个特征是，事件发生后的行为是可预测的。有些图中有明显的尖峰，但是在每个尖峰之后会有一个急剧的衰减。这称为自相关。我们可以看到一个特定的行为集合是重复的。自相关可能隐藏在一个时间序列模式中，但是它们有固有的可预测性，因此包含许多自相关性的时间序列可能是可预测的。
噪声是一组在时间序列中看起来随机的扰动。这些扰动导致高度的不可预测性，而且可以掩盖趋势、季节性行为和自相关。