一句话定义：时间序列预测（Time Series Forecasting）就是拿同一个对象按时间先后排下来的历史数据，去推断它接下来会变成什么样，比如明天的销量、下周的用电负荷、下个月的现金流。
为什么要先“拆”：一串按时间排列的数字并非杂乱无章，通常由三块叠加而成：
- 趋势（Trend）：长期往哪个方向走，是缓慢上升、下降还是走平。
- 季节性（Seasonality）：按固定周期重复的起伏，比如周末销量高、夏天饮料卖得好。
- 随机噪声（Noise / Residual）：去掉前两者之后剩下的抖动，比如某天临时下雨或某条帖子意外走红。
打个比方：把销量曲线想象成站在海边看水位。趋势是潮汐，缓慢而持续；季节性是一天两次的浪，准点来回；噪声是风刮出的碎波纹，毫无章法。想预测明天的水位，得先把这三层分开；如果把碎波纹当成潮汐去外推，结论就会荒谬。
不分拆的后果：模型会把历史上每一次偶然抖动都当成规律记下来，也就是过拟合；结果在训练数据上拟合得很好，一旦用来预测就会失准。
和相邻概念的区别：
| 概念 | 关键假设 | 是否在意顺序 |
|---|---|---|
| 普通回归（Regression） | 样本独立同分布 | 不在意，打乱顺序结果不变 |
| 时间序列预测 | 相邻时刻强相关（自相关，autocorrelation） | 顺序本身就是信息 |
| 分类（Classification） | 输出离散类别 | 通常不在意 |
换句话说，普通机器学习可以随机打乱数据行，时间序列不行：在这类问题里，把明天和去年的数据互换，相当于把整个问题毁掉。
对从业者的意义：拿到数据先画图、做分解（如 STL 分解），看清趋势和周期再选模型；永远留出时间上最后一段做回测，绝不能随机划分训练集和测试集，这是最常见的坑。同时先跑一个简单基线（移动平均、季节性朴素预测），复杂模型赢不过基线就别上。具体工具与参数以官方文档为准。
对普通职场人的意义：听到“下季度业绩预测”“明年人力需求预测”，先追问一句：季节性和一次性事件分开了吗？很多预测失准，原因往往是把一次性的冲击当成了长期趋势，模型本身并没有问题。