自相关(Autocorrelation)指的是:同一条时间序列在不同时间点上的取值彼此相关。也就是说,今天的数据和昨天、上周、去年同期的数据“长得很像”。
生活里的例子:你每天上班通勤 40 分钟左右,明天大概率还是 35 到 50 分钟,不会突然变成 3 小时。这种“前后自我相似”就是自相关。把它量化,就是看序列和“往前挪 k 步的自己”有多像;k 叫作滞后期(lag),画出来的曲线称作自相关函数(ACF)。趋势、季节性(seasonality)、惯性都会在 ACF 上表现出来,所以它常被当作时间序列分析的第一步初步检查。
和相邻概念的区别:
- 普通相关(correlation)比较的是两个不同变量,比如身高与体重;自相关比较的是同一个变量在不同时刻。
- 数据泄漏(data leakage)是建模流程里的错误,自相关则是数据本身的属性。但因为自相关,“未来”和“过去”互为线索,所以数据泄漏特别容易发生。
- 平稳性(stationarity)说的是统计规律不随时间漂移;自相关只关心“前后有多像”,两者不是一回事。
最容易出错的地方是:拿时间数据做随机 K 折交叉验证(K-fold cross-validation)。数据被打乱后,测试集里某个周二的样本,它的前后几天很可能被分进训练集,模型几乎是在“照着答案抄邻居”,误差被严重低估,上线后指标大幅下滑。
| 做法 | 训练/测试如何切 | 结果 |
|---|---|---|
| 随机 K 折 | 随机打乱样本 | 训练集混入测试点的时间邻居,指标虚高 |
| 按时间切分 | 前段训练、后段测试 | 更贴近真实上线场景 |
| 滚动验证(walk-forward) | 逐段向前推进,只用未来数据测试 | 最稳妥,能看指标随时间是否稳定 |
对从业者的意义:用滞后特征(lag features)时,务必保证每个特征都只来自预测时点之前;先做差分(differencing)或去趋势,再建模和评估;评估一律用时间切分或滚动验证。样本量看起来很大时,由于自相关,有效样本量往往小得多,所以置信区间要留足余量。对普通职场人来说,可以记住一句提醒:看到“准确率 99%”的时间序列模型,先问一句:测试集是怎么切分的?
