预测分析通过分析随时间收集的顺序数据点来处理时间序列数据，以识别模式、趋势和关系，从而为未来的预测提供信息。时间序列数据的独特性在于每个数据点都与一个时间戳相关联（例如，每小时温度、每日销售额、每月网站流量），其值通常取决于先前的观测值。时间序列数据的预测模型侧重于捕捉时间依赖性，例如季节性（重复模式）、趋势（长期向上或向下的运动）和周期性行为（不规则波动）。例如，预测假期销售额的零售商可能会使用前几年的历史销售数据来模拟季节性高峰并相应地调整库存。
时间序列预测的常用技术包括统计模型，如 ARIMA（自回归积分滑动平均），以及机器学习方法，如循环神经网络（RNN）。ARIMA 模型将数据分解为自回归（过去值）、积分（通过差分稳定趋势）和滑动平均（误差项）分量。例如，ARIMA 可以通过分析日常用电模式并根据多年来的消耗量逐渐增加进行调整来预测电力需求。机器学习模型，如长短期记忆（LSTM）网络，擅长捕捉顺序数据中复杂、非线性的关系。LSTM 可以通过学习多年的市场数据，包括经济崩溃等不规则事件，来预测股票价格。像 Facebook 的 Prophet 这样的工具通过自动检测趋势和季节性来简化时间序列预测，使没有深厚统计专业知识的开发人员也能轻松使用。
数据预处理和验证对于准确预测至关重要。时间序列数据通常需要清洗（处理缺失值或异常值）和转换（规范化值或使数据平稳化）。例如，差分——用当前值减去前一个值——可以消除趋势。验证策略必须尊重时间顺序：模型不是在随机的训练-测试分割上测试，而是在未来数据点上进行测试。开发人员可能会在 2020 年 1 月至 2022 年 12 月的数据上训练模型，并在 2023 年 1 月及之后的数据上进行验证。平均绝对误差（MAE）或均方根误差（RMSE）等指标量化预测精度。通过将领域知识（例如，识别每周销售周期）与这些技术相结合，开发人员可以构建强大的模型，用于预测云基础设施中的服务器负载高峰或估计医院的患者入院人数等场景。