随机时间序列预测是从含噪声的历史观测中推断数据生成机制并外推未来的核心工具，广泛应用于经济金融、能源电力、交通物流、气象水文与工业运维等领域。本报告采用系统式综述方法，以经典专著、国际预测领域权威期刊（IJF、ACM Computing Surveys 等）、大规模预测竞赛（M 系列）、通用评测基准（GIFT-Eval）以及近年代表性文献为依据，对随机时间序列预测方法进行全景式梳理，共归纳十大类、约 80 种具体方法：基线与平滑类、Box-Jenkins 线性模型族、多元与协整模型、条件异方差模型、非线性与状态空间模型、其他统计与数据驱动方法、机器学习方法、深度学习方法、时间序列基础模型，以及贯穿各类的混合—分解—集成策略。
报告从数据要求、计算局限性与预测效果三个维度对各类方法逐一比较。综合证据表明：不存在普适最优方法；在小样本、单序列、强季节性场景下，指数平滑与 ARIMA 类模型仍是最强基线之一；在变量众多、数据充足且存在外生信息时，梯度提升树与深度模型显著占优；M5 竞赛前 50 名方案全部由机器学习与深度学习方法构成，整体精度较统计基准提升 14% 以上；2023 年以来兴起的时间序列基础模型支持零样本预测，在通用基准上已接近乃至超越逐序列拟合的经典与深度模型。方法选择应由数据规模与频率、季节性结构、外生变量可得性、算力与可解释性约束、预测视野以及不确定性量化需求共同决定。
关键词：时间序列预测；ARIMA；指数平滑；GARCH；机器学习；深度学习；基础模型；概率预测
随机时间序列预测方法文献综述研究报告.zip
下载解压后阅读，word格式。