目录第一类时间被“修理”的模型 AR / MA / ARMA / ARIMA / SARIMA)第二类时间被“分解”为结构Holt / Holt–Winters / BSTS)第三类时间 潜在状态的演化Linear Gaussian SSM / Kalman Filter / ARIMA 的状态空间形式 / Switching SSM / Hidden Markov Model第四类时间 特征工程后的回归 ( SVR / Random Forest / XGBoost / LightGBM / 浅层ANN)第五类时间 可学习的动态系统5A隐式状态确定性RNN / LSTM / GRU)5B全局关系弱时间Transformer / Temporal Attention / Informer / Autoformer)5C概率神经状态空间模型Deep Kalman Filter / SSM VAE / Neural ODE / SDE / Latent SDE )第一类时间被“修理”的模型##Time is transformed away核心假设时间本身不是研究对象我们把它处理成“合法序列”再建模。数学操作差分去趋势去季节代表模型ARMAARMAARIMASARIMA本质特征时间 滞后索引线性单尺度强平稳性假设现实适配✅ 规则、低噪声、稳定系统❌ 行为数据、生理数据、机制建模一句定位这是“统计时间”的时代第二类时间被“分解”为结构##Time is structured核心假设时间中的变化可以拆成水平 / 趋势 / 季节 / 噪声数学形式显式状态但通常低维、线性代表模型SESHoltHolt–WintersStructural Time SeriesBSTS 的基础本质特征可解释显式结构低维状态现实适配✅ 宏观时间序列❌ 高维、强非线性系统一句定位这是“工程时间”的时代第三类时间 潜在状态的演化##Classical State Space Models核心假设世界由“看不见的状态”驱动时间是状态在走。数学母式代表模型Linear Gaussian SSMKalman Filter推断ARIMA 的状态空间形式Switching SSMHidden Markov Model离散版本质特征概率不确定性推断为核心现实适配✅ 噪声大、缺失值、机制明确❌ 高维复杂动力学一句定位这是“生成时间”的时代第四类时间 特征工程后的回归##Time as features核心假设不理解时间也没关系只要预测准。数学本质代表模型SVRRandom ForestXGBoost / LightGBM浅层 ANN本质特征强非线性无状态弱外推能力现实适配✅ 工业监控、表格数据❌ 长期预测、因果解释一句定位这是“预测时间”的时代第五类时间 可学习的动态系统##Learned dynamics这是现代模型真正分叉的地方我会再细分三支。5A隐式状态确定性核心假设状态存在但不显式定义用神经网络记住它数学形式代表模型RNNLSTMGRU定位时间 可压缩记忆5B全局关系弱时间核心假设时间顺序不重要关系更重要代表模型TransformerTemporal AttentionInformer / Autoformer定位时间 索引集合5C概率神经状态空间模型##Neural SSM核心假设状态是概率分布动力学可学习推断不可或缺数学形式代表模型Deep Kalman FilterSSM VAENeural ODE / SDELatent SDE定位时间 随机动力系统