以下是常见的时间序列预测模型的分类梳理，以Markdown表格形式呈现：
时间序列预测模型分类表
| 类别 | 模型名称 | 核心描述 | 适用场景 |
|---|---|---|---|
| 传统统计模型 | AR (自回归模型) | 用历史值的线性组合预测未来值 | 平稳序列，短期预测 |
| MA (移动平均模型) | 用历史白噪声的线性组合预测未来 | 平稳序列，噪声处理 | |
| ARMA | AR与MA的组合模型 | 平稳时间序列 | |
| ARIMA | 加入差分处理的ARMA扩展 | 非平稳序列（需差分平稳化） | |
| SARIMA | 加入季节性差分的ARIMA | 具有季节性的非平稳序列 | |
| ETS (指数平滑) | 加权平均历史观测值（含趋势/季节分量） | 趋势和季节性明显的序列 | |
| VAR (向量自回归) | 多变量自回归模型 | 多变量相互影响的时间序列 | |
| GARCH | 专门建模波动率和方差 | 金融时间序列（波动率预测） | |
| 机器学习模型 | Prophet | Facebook开发的加法模型（趋势+季节+节假日） | 商业时序（强季节性，缺失值处理） |
| LightGBM/XGBoost | 基于树的梯度提升算法 | 特征工程后的时序预测 | |
| SVR (支持向量回归) | 核函数映射的高维空间回归 | 小样本非线性序列 | |
| KNN (时序版本) | 基于相似历史模式预测 | 周期性重复模式的数据 | |
| 深度学习模型 | LSTM | 带记忆门的循环神经网络，解决长期依赖 | 长序列依赖问题 |
| GRU | 简化版LSTM，减少计算量 | 资源受限的中长序列 | |
| CNN-1D | 一维卷积提取局部时序特征 | 局部模式显著的序列（如传感器数据） | |
| TCN (时序卷积网络) | 因果膨胀卷积+残差连接 | 长序列并行计算 | |
| Transformer | 自注意力机制捕捉全局依赖 | 超长序列，多变量关联 | |
| DeepAR | 概率预测的自回归RNN | 不确定性量化需求场景 | |
| N-BEATS | 前馈网络+双重残差结构 | 可解释性需求高的预测 | |
| WaveNet | 扩张因果卷积堆叠 | 高分辨率时序（如音频） | |
| 混合模型 | STL-ARIMA | 季节分解(STL) + ARIMA残差预测 | 复杂季节性数据 |
| CNN-LSTM | CNN特征提取 + LSTM时序建模 | 时空数据（如交通预测） | |
| 集成模型 | 多个基模型结果加权平均 | 提升鲁棒性和准确度 |
关键特点说明：
- 传统模型：计算高效、可解释性强，但依赖统计假设（如平稳性）
- 机器学习模型：需特征工程，擅长处理非线性关系
- 深度学习模型：
- 自动特征提取
- 适合大数据量场景
- 可处理复杂模式（如长距离依赖）
- 计算资源要求较高
- 混合模型：结合不同模型优势，通常能提升预测精度
注：模型选择需考虑数据特性（长度/季节性/噪声）、预测目标（点预测/区间预测）和资源约束。实践中常通过交叉验证比较模型效果。