L'analisi delle serie temporali è un metodo statistico fondamentale utilizzato in finanza, sanità ed energia. Aiuta a prevedere i valori futuri esaminando i dati passati. Nel 2024, con l'avvento dell'Internet delle cose (IoT), è più importante che mai. Miliardi di dispositivi inviano un'enorme quantità di informazioni¹.
Questo metodo aiuta le aziende a comprendere i modelli di vendita e le società energetiche a pianificare meglio, analizzando il consumo di beni e servizi da parte delle persone¹ . Aiuta inoltre le società finanziarie e i sistemi sanitari a prendere decisioni più efficaci¹ . Esamineremo i principi di base, le tecniche e le nuove tendenze nell'analisi delle serie temporali per il 2024. Tratteremo anche i diversi tipi di dati utilizzati².
Punti chiave
- Analisi delle serie temporali è fondamentale per prevedere i risultati futuri in vari settori.
- Comprendere le caratteristiche dei dati delle serie temporali migliora le capacità decisionali.
- Corrente le tendenze mostrano una crescente integrazione di dispositivi IoT che influiscono sull’analisi dei dati.
- I modelli di previsione futura come ARIMA sono vitali per previsioni accurate.
- Le tecniche di data mining possono migliorare significativamente il processo di analisi.
- Riconoscere modelli come stagionalità aiuta le imprese nella pianificazione strategica.
Che cos'è l'analisi delle serie temporali?
Esamineremo cos'è l'analisi delle serie temporali e perché è importante. Tratteremo anche i diversi tipi di dati di serie temporali che vediamo spesso.
Definizione e importanza
L' analisi delle serie temporali consiste nel verificare i dati nel corso del tempo. Ci aiuta a individuare tendenze e modelli. Questo metodo è fondamentale in settori come la finanza, l'economia, la meteorologia e la sanità. Permette alle aziende di prendere decisioni oculate basandosi sui dati storici.
Le aziende lo utilizzano per prevedere le tendenze e rimanere competitive in mercati in rapida evoluzione. Ciò dimostra quanto sia fondamentale l'analisi delle serie temporali. Fornisce alle persone le informazioni necessarie per prendere decisioni intelligenti³.
Tipi di dati di serie temporali
Suddividiamo i dati delle serie temporali in due tipologie principali:
- Intervalli regolari: Dati raccolti in orari prestabiliti, come le vendite mensili o il meteo giornaliero.
- Intervalli irregolari: Dati raccolti in momenti casuali, come visite al sito Web o transazioni.
Conoscere queste tipologie è fondamentale per scegliere i metodi di analisi più adatti. Ogni tipologia presenta sfide e modalità di analisi specifiche. Ad esempio, i modelli ARIMA funzionano al meglio con dati stazionari⁴.
| Tipo | Descrizione | Esempi |
|---|---|---|
| Intervalli regolari | Dati raccolti in segmenti temporali equidistanti. | Vendite mensili, prezzi delle azioni giornaliere |
| Intervalli irregolari | Dati raccolti in segmenti temporali variabili. | Clic sul sito web, conteggi di eventi casuali |
La comprensione dei dati delle serie temporali ci aiuta a utilizzare meglio l'analisi avanzata. Questa conoscenza è fondamentale per prevedere e comprendere i grandi modelli in diversi ambiti 3 4.
Componenti dei dati delle serie temporali
Comprendere i dati delle serie temporali è fondamentale per una buona analisi e previsione. Ciò include tendenze, stagionalità e rumore . Ogni elemento è importante per dare un senso ai modelli di dati e prevedere il futuro.
tendenze
Le tendenze mostrano la direzione principale dei dati, se sono in aumento, in diminuzione o stabili nel tempo. Conoscere queste tendenze ci aiuta a comprendere i cambiamenti a lungo termine dei dati. Questo ci fornisce indizi su cosa potrebbe accadere in futuro 5.
Ad esempio, vedere le vendite al dettaglio aumentare ogni trimestre può mostrare una tendenza positiva. Questo è utile per pianificare le strategie.
Stagionalità
La stagionalità indica che i dati cambiano secondo schemi regolari in determinati periodi dell'anno. Questi schemi si possono osservare, ad esempio, in un aumento delle vendite durante le festività o in un maggiore consumo energetico in inverno⁶ . Conoscere questi schemi aiuta le aziende a pianificare meglio durante tutto l'anno.
Rumore
Il rumore è costituito da fluttuazioni casuali nei dati che non fanno parte delle tendenze principali o della stagionalità. È spesso causato da fattori esterni al nostro controllo o da errori nella misurazione dei dati⁵ . Eliminare il rumore ci aiuta a visualizzare meglio i dati reali. Questo rende le nostre previsioni e decisioni più accurate.
Analisi delle serie temporali: monitoraggio di tendenze e modelli nel tempo nel 2024
Nel 2024, l’analisi delle serie temporali è più importante che mai. Le aziende utilizzano i dati in tempo reale per rimanere al passo. Questo metodo li aiuta a fare scelte intelligenti comprendendo dati complessi.
Perché è rilevante adesso
Oggi, l'analisi delle serie temporali è fondamentale in settori come la finanza, la sanità e la gestione delle risorse. Aiuta a prevedere il futuro esaminando i dati passati. Mostrando i dati nel tempo, possiamo individuare facilmente tendenze e cambiamenti 7.
Cose come le tendenze e la stagionalità influiscono molto sulle previsioni. Conoscerli aiuta le aziende a lavorare meglio e a guadagnare di più.
Tendenze emergenti nell'analisi
L’analisi predittiva sta diventando un grosso problema per migliorare le operazioni. Nuovi strumenti semplificano la raccolta e la gestione dei dati. Ciò rende l’analisi delle serie temporali ancora più utile nel 2024.
L'intelligenza artificiale e l'apprendimento automatico ci aiutano a utilizzare al meglio i grandi set di dati. Lo vediamo nei dati provenienti da istituzioni come la Federal Reserve e Kaggle⁶ . Questi strumenti offrono alle aziende il vantaggio competitivo di cui hanno bisogno in un mercato in rapida evoluzione.
Comprensione dei modelli di previsione
Ci addentriamo nei modelli previsionali nell'analisi delle serie temporali . Questi metodi aiutano le aziende a prevedere i valori futuri esaminando le tendenze passate. Utilizzano pratiche statistiche per migliorare il processo decisionale in diversi settori.
Tipi di modelli di previsione
Esistono molti modelli di previsione:
- ARIMA (media mobile integrata autoregressiva) è fondamentale per analizzare le serie temporali con tendenze e stagionalità.
- Livellamento esponenziale utilizza le osservazioni passate ma si concentra sulle tendenze recenti per le previsioni future.
- Decomposizione stagionale suddivide i dati in tendenza, stagionalità e rumore per una migliore previsione.
Ogni modello ha il suo ruolo specifico. Ad esempio, ARIMA è ottimo per le previsioni del mercato azionario, mentre la levigatura esponenziale è perfetta per le previsioni di vendita e la gestione delle scorte⁸ . Utilizzando questi metodi, le aziende possono operare in modo più efficiente.
Applicazioni della previsione nelle serie temporali
La previsione ha molti usi. Le aziende utilizzano questi modelli per:
- Prevedere le richieste del mercato per gestire bene l'inventario.
- Indovina l'andamento dei prezzi delle azioni per aiutarti con i piani di investimento.
- Prevedere le vendite per allocare meglio le risorse.
I negozi al dettaglio utilizzano i dati di vendita per prevedere con precisione la domanda dei clienti, migliorando la gestione delle scorte 8. Le società immobiliari possono pianificare i progetti in base alle tendenze di mercato 8. L'utilizzo di modelli di previsione rende le operazioni più efficienti e aiuta le aziende ad adattarsi ai cambiamenti del mercato (applicazioni della previsione).
Tecniche di data mining per l'analisi di serie temporali
Nel mondo di oggi, abbiamo bisogno di tecniche di data mining efficaci per ottenere informazioni preziose dai dati delle serie temporali. Il data mining è fondamentale per dare un senso ai dati raccolti nel tempo. Ci aiuta a individuare schemi, connessioni e stranezze che guidano le decisioni in molte aree.
Importanza del data mining
Il data mining rende le previsioni più accurate nell'analisi delle serie temporali. Aiuta le società finanziarie a individuare le frodi e gli operatori sanitari a prevedere l'esito delle malattie. Questi metodi sono fondamentali per attività come il marketing di gruppi di clienti e il miglioramento delle catene di approvvigionamento nel settore manifatturiero 9 7.
Strumenti per il data mining
Per un data mining efficace nell'analisi delle serie temporali, abbiamo a disposizione molti strumenti. Strumenti come InfluxDB e Grafana aiutano a gestire e visualizzare al meglio i dati delle serie temporali. L'utilizzo di questi strumenti consente agli analisti di scoprire informazioni importanti da grandi insiemi di dati. Questo aiuta nel monitoraggio e nel processo decisionale . Con la crescita dei dati delle serie temporali, imparare a usare questi strumenti è fondamentale per rimanere al passo con i tempi nel mondo odierno basato sui dati.
Tecniche Avanzate: Analisi Predittiva
Nel mondo di oggi, conoscere l'analisi predittiva è fondamentale per prendere decisioni intelligenti con i dati. Questo metodo utilizza tecniche statistiche per prevedere cosa accadrà dopo sulla base dei dati passati. Utilizzando questi metodi, miglioriamo la previsione delle cose nei dati delle serie temporali.
Definizione dell'analisi predittiva
L'analisi predittiva consiste nell'utilizzare statistiche e modelli avanzati per prevedere le tendenze future. Sta riscuotendo un enorme successo, con un mercato che passerà da 5.29 miliardi di dollari nel 2020 a 41.52 miliardi di dollari entro il 2028¹¹ . La combinazione di apprendimento automatico e metodi statistici come l'analisi delle serie temporali ha reso l'analisi predittiva un elemento di grande importanza nel settore tecnologico¹².
Applicazioni in vari settori
L'analisi predittiva aiuta molti settori a lavorare meglio e a pianificare in modo più intelligente. Nel settore finanziario, è utile per la valutazione del credito, il rilevamento delle frodi e l'analisi degli investimenti¹¹ . I team di marketing la utilizzano per la segmentazione dei clienti, le campagne personalizzate e le previsioni di vendita¹¹ . Il settore sanitario ottiene informazioni più precise per la previsione delle malattie e la stratificazione del rischio dei pazienti¹¹ . La gestione della catena di approvvigionamento la utilizza per la previsione della domanda e l'ottimizzazione delle scorte¹¹ . Grazie a nuove tecnologie come l'intelligenza artificiale generativa e metodi come il bagging e il boosting, le nostre previsioni diventano ancora più accurate. Questo ci permette di comprendere meglio i dati complessi, rendendoci più adattabili in un mercato in rapida evoluzione.
Rilevamento di anomalie nei dati di serie temporali
Quando ci immergiamo nei dati delle serie temporali, troviamo una parte fondamentale chiamata rilevamento delle anomalie. Si tratta di individuare punti dati che non si adattano ai soliti schemi. Questi punti sono cruciali in settori come la finanza, la sanità e l’industria. Individuarli precocemente può portare a grandi intuizioni.
Cos'è il rilevamento delle anomalie?
Il rilevamento delle anomalie nell'analisi delle serie temporali consiste nell'individuare punti dati che non si comportano come previsto. Questi possono essere singoli punti o una serie di punti 13. Trovare questi punti è importante perché potrebbero indicare grandi cambiamenti, come nuove tendenze nei prezzi delle azioni o problemi di salute 14.
Metodi per il rilevamento delle anomalie
Utilizziamo diversi metodi per trovare anomalie nei dati delle serie temporali. Ecco alcune tecniche principali:
- Metodi statistici: Usiamo media, deviazione standard e punteggio Z per trovare valori anomali nei dati.
- Algoritmo della foresta di isolamento: questo metodo rileva le anomalie senza dati etichettati. Impostiamo un parametro per sapere quanti valori anomali aspettarci13.
- Media mobile: questo uniforma i dati per mostrare le tendenze a lungo termine, aiutandoci a individuare le anomalie.
- Modelli ARIMA: sono ottimi per individuare anomalie e schemi complessi nei dati14.
- Livellamento esponenziale: questo metodo esamina le modifiche recenti dei dati attribuendo meno peso ai valori più vecchi.
L'utilizzo di questi metodi ci aiuta a individuare rapidamente cambiamenti imprevisti nei dati delle serie temporali.
| Metodo | Descrizione | Usa caso |
|---|---|---|
| Metodi statistici | Analisi della media, della deviazione standard e dei punteggi Z per rilevare le differenze. | Individuazione di anomalie nei dati di vendita. |
| Foresta di isolamento | Rilevamento di valori anomali senza set di dati etichettati. | Individuazione delle frodi nelle transazioni finanziarie. |
| Media mobile | Eliminare le fluttuazioni dei dati. | Monitoraggio delle prestazioni delle apparecchiature nelle industrie. |
| Modelli ARIMA | Acquisizione di modelli di dati complessi per la previsione. | Migliorare le previsioni sui prezzi delle azioni. |
| Livellamento esponenziale | Assegnazione di pesi alle osservazioni passate per le tendenze recenti. | Monitoraggio della frequenza cardiaca in ambito sanitario. |
Utilizzando questi metodi, possiamo migliorare il modo in cui analizziamo i dati delle serie temporali e gestiamo le anomalie in modo efficace.
Esplorare l'analisi della stagionalità
L'analisi della stagionalità nelle serie temporali è fondamentale per comprendere le variazioni periodiche dei dati. Ci aiuta a individuare schemi che si ripetono regolarmente. Questi schemi possono influenzare notevolmente le decisioni in molti settori. La stagionalità è vitale per la gestione delle scorte, la pianificazione delle promozioni e il miglioramento dei processi.
Importanza dell'analisi della stagionalità
L'analisi della stagionalità ci aiuta a prevedere meglio la domanda e a utilizzare le risorse in modo oculato. Ad esempio, il settore finanziario la utilizza per prevedere le tendenze di mercato, mentre quello sanitario per analizzare i modelli di salute come gli ECG¹⁵ . Aiuta le aziende ad adattarsi al comportamento dei clienti e a migliorare i propri servizi. Le aziende che utilizzano questa analisi spesso ottengono risultati migliori con i propri budget e piani¹⁶.
Metodi per identificare la stagionalità nei dati
Esistono molti modi per individuare la stagionalità nei dati. Tecniche come la decomposizione classica o STL scompongono i dati in trend, stagionalità e residui. Questo chiarisce come la stagionalità influisce sui dati e aiuta a prendere decisioni intelligenti¹⁶ . Altri metodi, come le medie mobili, smussano gli alti e bassi per mostrare tendenze stabili¹⁶ . Questi metodi ci aiutano a fare previsioni migliori e a pianificare in modo più efficace.
Utilizzo dell'autocorrelazione per l'analisi
Nell'ambito dell'analisi delle serie temporali , esaminiamo come l'autocorrelazione misuri il legame tra una serie temporale e i suoi valori passati. Questo metodo è fondamentale per individuare modelli e cicli nascosti nei dati. Ci aiuta a comprendere le tendenze e i cambiamenti stagionali. La funzione di autocorrelazione (ACF) mostra come i valori in momenti diversi siano correlati, aiutandoci a scegliere i migliori modelli di previsione 17 18.
Trovare l'autocorrelazione è fondamentale per previsioni migliori. Utilizzare un numero sufficiente di ritardi nell'autocorrelazione può davvero aumentare la precisione delle previsioni. Il test di Durbin-Watson è un ottimo strumento per verificare se i dati presentano autocorrelazione. Ci indica il tipo di relazione nei dati 19.
Il nostro metodo comprende diverse fasi. Innanzitutto, raccogliamo i dati delle serie temporali. Quindi, calcoliamo i valori ritardati e troviamo i coefficienti di correlazione. La creazione di un grafico ACF ci aiuta a visualizzare queste relazioni. Conoscere la differenza tra stagionalità additiva e moltiplicativa è fondamentale anche per realizzare modelli accurati 17 18.
| Componente | Descrizione |
|---|---|
| Funzione di autocorrelazione (ACF) | Misura la correlazione tra la serie temporale e i relativi valori ritardati. |
| Funzione di autocorrelazione parziale (PACF) | Si concentra sull'effetto diretto dei valori ritardati sull'osservazione corrente. |
| tendenze | Direzione a lungo termine nelle serie di dati. |
| Stagionalità | Modelli o cicli ricorrenti nei dati. |
| Rumore | Variazioni casuali che non possono essere attribuite alla tendenza o alla stagionalità. |
Modellazione ARIMA per previsioni efficaci
La modellazione ARIMA è fondamentale nell'analisi delle serie temporali per le previsioni. Combina componenti autoregressive e medie mobili, il che la rende adatta a molti set di dati. ARIMA funziona al meglio con dati stazionari, che possono essere resi tali tramite la rimozione del trend e la verifica di pattern regolari.
Ci aiuta a vedere modelli che rimangono gli stessi nel tempo. Questo è fondamentale per fare previsioni accurate.
Introduzione all'ARIMA
Il modello ARIMA è composto da tre parti: autoregressivo (AR), integrato (I) e media mobile (MA). Questi sono mostrati come (p,d,q). P sono le osservazioni passate, d sono le differenze per la stazionarietà e q è la dimensione della media mobile.
Per previsioni accurate, si utilizzano dati differenziati per eliminare stagionalità e tendenze. Questo rende i dati stazionari 20. Per una stima e una validazione accurate è necessario un set di dati con almeno 50 osservazioni 20.
L'identificazione dei modelli stagionali, la stima dei parametri e la convalida dei risultati sono passaggi fondamentali. Essi contribuiscono a costruire un modello ARIMA affidabile 20.
Quando utilizzare i modelli ARIMA
ARIMA è ideale per dati con un trend chiaro e che richiedono previsioni precise. Viene utilizzato nelle previsioni del mercato azionario e della domanda di risorse, dove i picchi stagionali sono comuni. I dati complessi con cicli possono trarre vantaggio da SARIMA, che gestisce bene i modelli stagionali 21.
L'utilizzo di ARIMA può migliorare notevolmente l'accuratezza delle previsioni. Ciò è vero quando si lavora con grandi insiemi di dati e tecniche avanzate come i modelli di previsione a scorrimento 22.
Smoothing esponenziale nelle serie temporali
La levigatura esponenziale è un metodo chiave per prevedere le tendenze future nei dati. Utilizza i dati passati, ma attribuisce maggiore peso alle informazioni recenti. In questo modo, presuppone che il futuro sarà simile al passato recente, soprattutto per quanto riguarda i modelli di domanda . È ideale per le previsioni a breve termine in settori come la vendita al dettaglio e la finanza, dove i cambiamenti rapidi sono importanti.
Comprendere il livellamento esponenziale
La levigatura esponenziale si presenta in diverse tipologie per soddisfare varie esigenze di previsione. La levigatura esponenziale semplice (SES) utilizza un fattore di levigatura, alfa (a), solitamente compreso tra 0 e 1. È ideale per dati privi di tendenze o stagionalità 23.
Per i dati con tendenze, la doppia levigatura esponenziale, o modello di tendenza di Holt, aggiunge un beta (b) per tracciare i cambiamenti di tendenza 24. La tripla levigatura esponenziale, o levigatura di Holt-Winters, include i modelli stagionali con un gamma (g). Questo metodo gestisce le tendenze lineari e le stagioni, rendendo le previsioni più affidabili 23.
Vantaggi dello livellamento esponenziale nelle previsioni
La levigatura esponenziale presenta numerosi vantaggi. Consente di ottenere previsioni precise, regolando i pesi dei dati passati, aspetto cruciale per la gestione delle scorte e della domanda 23. È facile da configurare, permettendo agli analisti di personalizzare i modelli in base alle proprie esigenze. Inoltre, strumenti come Statsmodels di Python ne semplificano l'utilizzo anche per i non esperti 24.
| Tipo di livellamento esponenziale | Parametri utilizzati | Quando usare |
|---|---|---|
| Smoothing esponenziale semplice | Alfa (α) | Nessuna tendenza o stagionalità |
| Doppio livellamento esponenziale | Alfa (α), Beta (β) | Presenza di una tendenza |
| Triplo livellamento esponenziale | Alfa (α), Beta (β), Gamma (γ) | Modelli e tendenze stagionali |
Conclusione
L'analisi delle serie temporali è fondamentale per comprendere e prevedere i cambiamenti in diversi ambiti. Aiuta le aziende a monitorare le tendenze e a individuare modelli importanti nel tempo. Grazie alle informazioni ricavate dall'analisi delle serie temporali , le aziende possono prendere decisioni migliori. Ad esempio, in finanza, il monitoraggio dei prezzi delle azioni è utile per la pianificazione degli investimenti. In ambito sanitario, consente di intraprendere azioni mediche tempestive.
Con le nuove tecnologie che stanno trasformando il mondo dei dati, saper utilizzare l'analisi delle serie temporali è fondamentale. È utile in molti ambiti, dallo shopping online alle previsioni meteorologiche¹⁰ . Migliorare i nostri metodi di analisi rende le previsioni più accurate, il che si traduce in decisioni migliori e crescita per le aziende.
È importante continuare ad apprendere sui dati delle serie temporali. Questa conoscenza ci permette di fare scelte intelligenti e di migliorare il funzionamento delle cose in vari campi 25 26 10.
FAQ
Cos’è l’analisi delle serie temporali?
L'analisi delle serie temporali esamina i dati nel tempo per trovare tendenze e modelli. È fondamentale in economia, finanza e scienza dei dati per prevedere il futuro. Questo metodo utilizza i dati passati per prevedere cosa accadrà dopo.
Perché l’analisi delle serie temporali è importante nel 2024?
L’analisi delle serie temporali è più cruciale ora che le aziende utilizzano dati in tempo reale per rimanere al passo. Con le nuove tecnologie come l’apprendimento automatico e l’intelligenza artificiale, aiuta a individuare modelli complessi. Ciò porta a decisioni migliori e aumenta l’efficienza.
Quali sono i componenti principali dei dati delle serie temporali?
I dati delle serie temporali sono costituiti da quattro parti principali: tendenze, stagionalità, cicli e rumore. Le tendenze mostrano la direzione generale, la stagionalità presenta alti e bassi regolari, i cicli sono cambiamenti a lungo termine e il rumore è costituito da bit casuali.
Quali sono alcuni modelli di previsione comuni utilizzati nell'analisi delle serie temporali?
ARIMA, livellamento esponenziale e scomposizione stagionale sono modelli comuni. Prevedono i dati futuri e aiutano nella pianificazione, come la previsione delle vendite e la gestione delle scorte.
In che modo il data mining contribuisce all'analisi delle serie temporali?
Il data mining è fondamentale per trovare informazioni importanti nei dati delle serie temporali. Strumenti come InfluxDB e Grafana aiutano a gestire bene questi dati. Ciò porta ad analisi e decisioni migliori.
Che cos'è l'analisi predittiva nel contesto dell'analisi delle serie temporali?
L'analisi predittiva utilizza le statistiche per prevedere eventi futuri a partire dai dati passati. È fondamentale per migliorare la precisione considerando i fattori temporali. Questo è fondamentale nella finanza e nella sanità.
Cos'è il rilevamento delle anomalie nell'analisi delle serie temporali?
Il rilevamento delle anomalie individua modelli insoliti nei dati delle serie temporali. È fondamentale nel settore bancario e sanitario. Trovare queste anomalie può mostrare problemi o nuove possibilità.
Perché l’analisi della stagionalità è importante?
L'analisi della stagionalità aiuta a individuare gli alti e bassi regolari nei dati. Queste informazioni guidano l'inventario e i piani di marketing. Migliora i servizi e aiuta a comprendere le abitudini dei clienti.
Come viene utilizzata l'autocorrelazione nell'analisi delle serie temporali?
L'autocorrelazione controlla come i dati si riferiscono al loro passato. Mostra la struttura e i modelli dei dati. Ciò aiuta a scegliere i modelli giusti e migliora le previsioni.
Che cos'è la modellazione ARIMA e quando dovrebbe essere utilizzata?
ARIMA è un metodo per prevedere i valori futuri, in particolare per i dati stabili. È utilizzato nel mercato azionario e nelle previsioni economiche. È utile anche per prevedere la domanda.
Quali sono i vantaggi dello livellamento esponenziale nelle previsioni di serie temporali?
Il livellamento esponenziale si concentra sui dati recenti per previsioni migliori. È semplice e funziona bene in molti settori, come vendita al dettaglio e finanza.
Collegamenti di origine
- https://www.sigmacomputing.com/resources/learn/what-is-time-series-analysis
- https://www.analyticsvidhya.com/blog/2021/10/a-comprehensive-guide-to-time-series-analysis/
- https://www.appinio.com/en/blog/market-research/time-series-analysis
- https://www.datamation.com/big-data/what-is-time-series-analysis/
- https://www.interviewkickstart.com/blogs/articles/time-series-analysis-trends-patterns-temporal-data
- https://mostly.ai/blog/times-series
- https://www.geeksforgeeks.org/time-series-analysis-and-forecasting/
- https://joinhomebase.com/blog/forecasting-models/
- https://www.qlik.com/us/data-analytics/data-mining
- https://www.influxdata.com/what-is-time-series-data/
- https://www.netguru.com/glossary/predictive-analytics
- https://www.pecan.ai/blog/deep-dive-advanced-predictive-analytics/
- https://neptune.ai/blog/anomaly-detection-in-time-series
- https://risingwave.com/blog/effective-anomaly-detection-in-time-series-using-basic-statistics/
- https://www.theiotacademy.co/blog/time-series-analysis-in-data-science/
- https://www.linkedin.com/pulse/exploring-seasonality-models-360-digitmg-dgvwc
- https://sertiscorp.medium.com/a-practical-time-series-forecasting-guideline-for-machine-learning-part-i-a559e7886d26
- https://www.interactivebrokers.com/campus/ibkr-quant-news/autocorrelation-in-trading-a-practical-python-approach-to-analyzing-time-series-data/
- https://knowledge.dataiku.com/latest/ml-analytics/time-series/concept-time-series-analysis.html
- https://www.mastersindatascience.org/learning/statistics-data-science/what-is-arima-modeling/
- https://neptune.ai/blog/arima-sarima-real-world-time-series-forecasting-guide
- https://cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-time-series
- https://www.simplilearn.com/exponential-smoothing-for-time-series-forecasting-in-python-article
- https://www.geeksforgeeks.org/exponential-smoothing-for-time-series-forecasting/
- https://airbyte.com/data-engineering-resources/time-series-data
- https://quix.io/blog/time-series-analysis