单变量时间序列是随时间测量的一系列数据点，侧重于单个变量。 例如，跟踪每日温度读数或每小时股票价格涉及在每个时间间隔收集一个值。 单变量时间序列的分析通常涉及了解该单个变量中的趋势、季节性或噪声等模式，以进行预测。 像 ARIMA（自回归积分移动平均线）或指数平滑之类的模型通常在此处使用，因为它们仅依赖于目标变量的历史值来预测未来值。 一个典型的用例是根据过去的用量数据预测每月用电量，其中仅使用用电量值作为输入。
相比之下，多变量时间序列涉及在相同时间间隔内测量的两个或多个变量，其中变量之间的关系会影响预测。 例如，预测能源需求可能不仅需要历史需求数据，还需要温度、时间或经济指标等变量。 多变量模型，例如 VAR（向量自回归）或像神经网络这样的机器学习方法，会考虑变量之间的相互依赖性。 例如，零售商预测销售额可能会使用广告支出、竞争对手定价和假期日期以及历史销售数据来提高准确性。 增加的复杂性来自建模一个变量中的变化如何随时间影响其他变量。
主要区别在于数据结构和建模目标。 单变量分析更简单，仅需要单个数据流，并且在外部因素无关紧要或测量成本太高时很有用。 然而，多变量分析捕获变量之间的相互作用，当多个因素驱动结果时，这可以导致更准确的预测。 对于开发人员来说，这会影响数据预处理（例如，对齐多个时间序列）、模型选择（例如，处理高维数据）和计算资源。 诸如 statsmodels 之类的库支持单变量方法，而诸如 TensorFlow 或 PyTorch 之类的工具通常用于多变量模型，因为它们能够管理复杂的依赖关系。 两者之间的选择取决于问题的上下文和相关变量的可用性。