时间序列预测很大程度上依赖于可用的数据量。因此，“数据越多，分析越好”的概念 也适用于时间序列预测。我们的观察点越多，我们的模型就越适合我们的数据。
时间范围
时间范围是你预测的未来有多远。你尝试的越深入，你的预测就会越不可靠。如果您的数据集包含大量短期数据，则应避免创建涉及长期范围的预测。
随机数据
随机事件永远无法准确预测。因此，我们在随机事件中收集多少数据或我们如何持续地收集这些数据并不重要。例如，可以每周记录彩票号码，但无法预测下一个中奖号码。彩票的设计是随机的。因此，历史模式不会反映未来模式，任何观察到的相似性都将是巧合。
数据质量
使用高质量数据是任何数据分析技术的标准要求。数据质量的典型准则包括确保数据不重复、以有效格式收集、一致收集以及定期收集。其中，尤为重要的是定期
稳定
静态数据可能会随着时间而改变，但一些基本特征始终保持不变 。为了创建能够可靠地预测未来值的时间序列模型，我们使用的数据必须是平稳的。您可以对数据集运行测试来确定数据是否平稳。Dickey-Fuller测试是一 种 特殊数据库 常见的测试。还有可用的转换，可以将您的数据从非平稳转换为平稳，同时保留执行时间序列预测所需的属性。
Esri 的时间序列预测工具包
Esri 的时间序列预测工具集有四种不同的预测工具，具体取决于预测的数据类型和用户需要的输出类型。 此外，工具包 旨在以空间方式可视化预测的分布，以帮助进行空间决策。
您可以在此处找到Esri 时间序列预测工具包中 每 久的联系验证解 个工具的文档。
曲线拟合预测
时间序列数据有各种形状和大小。有些可能呈现 印度手机号码 线性趋势，而其他可能呈现更接近 S 形的曲线。该工具集旨在帮助您处理时间序列数据中这种程度的变化。如果您不知道最能描述您的工作空间的曲线，您可以选择“自动检测”。这样，该工具将自动建议最适合您用于预测的统计模型。