1.1 對傳統時序中的方法進行深入理解
    ①、通過畫出隨時間變化的銷量，來看資料是否有趨勢、季節、週期等特性
    ②、再對其進行分解（加法、乘法都需要試一下）。
    ③、對其進行平穩性分析，主要有觀察法（均值、方差是否隨時間變化而變化）和單位根檢驗法（P值是否小於5%，小於5%才能認為是平
        穩，不然需要對其進行差分），比如1階差分能去掉趨勢，12階差分能去掉季節性等，最後在對差分後的資料進行單位根檢驗。
    ④、資料平穩後，開始確定AR過程和MA過程的階數。AR和MA過程階數的判斷，都可以從1階開始模擬，逐漸增加階數。通過對階數模擬後
        的自相關圖和偏自相關圖進行分析，如果發現自相關在模擬的階數開始拖尾、偏自相關開始截尾，說明該階數合適。但如果1階這樣，
        2階也這樣，那就說明情況比較複雜，仍不能確定。
    ⑤、如果實在通過自相關和偏自相關圖找不出合適的階數，那麼可以通過計算AIC值來確定（多找幾個階數進行對比AIC，找出最大的。比
        如通過觀察可以認為階數在5階之內，那就可以計算每個階數的AIC值，選出最大的）。
    ⑥、確定p和q的階數後就可以建立arma模型。或者也可以用Facebook的properhat來做。


    擴充套件閱讀：自相關和偏自相關圖解讀：https://www.biaodianfu.com/acf-pacf.html，
     AR（p）模型：自相關係數拖尾，偏自相關係數p階截尾。
     MA（q）模型：自相關係數q階截尾，偏自相關係數拖尾。
     ＡＲＭＡ（ｐ，ｑ）模型：自相關係數拖尾，偏自相關係數拖尾

     你給的圖自相關圖一階截尾，偏自相關圖顯示出顯著的不截尾性，可以考慮用MA（１）模型擬合二階差分後的序列。
     因為前面已經進行二階差分運算，實際上就是用ARIMA（p,2,q）模型擬合原序列。


1.2 找更多的時序預測例子
    例子1（傳統的時序分析過程）：https://www.kaggle.com/jagangupta/time-series-basics-exploring-traditional-ts
    例子2：(簡單的LSTM方法)：https://www.kaggle.com/karanjakhar/simple-and-easy-aprroach-using-lstm
          ①、首先，需要把資料轉變成 [樣本數，特徵數，1]這樣的格式，比如每一行是一條樣本，每一列是一個時間點。
          ②、比如時序的長度有100，訓練集可以選擇0~99作為訓練集，它的標籤是100對應的值，測試集就選擇1-100，因為我們要預測第101個值。
          ③、當然，模型從原始時間序列上隨機抽取固定長度的樣本進行訓練。例如，如果原始時間序列的長度為 600 天，那麼把訓練樣本的長
              度設為200天，就可以有400種不同的起始點。--效果，好了一點。排名在45%。

    例子3：(MLP、LSTM、CNN、CNN+LSTM各種方法介紹)：https://www.kaggle.com/dimitreoliveira/deep-learning-for-time-series-forecasting
          假設原資料格式為:X=[樣本數,時間步長],Y=[樣本數，1],每一行就是一條樣本，每一列就是一個時間（比如dt）.
          ①、MLP:輸入格式為 [樣本數,時間步長],直接接dense層，輸出層在接dense降維到1。例如[2000,60]
          ②、LSTM：輸入格式為 [樣本數,時間步長,特徵]，一般特徵為1，也就是單變數時序輸入。例如[2000,60,1]
          ③、CNN:輸入格式為 [樣本，時間步長，特徵]，過完pooling層後，需要過一個flatten層展平，把資料展成一維，再過dense降維。例如[2000,60,1]
          ④、CNN+LSTM:輸入格式為 [樣本，子序列，時間步長，特徵]，比如原先時間步長為60，如果設定子序列為3，則變形後的時間步長為60/3=20,特徵仍為1  ,例如[2000,3,20,1]，
          CNN+LSTM多了一個子序列，通過TimeDistributed實現，目的是“我們將進一步將每個樣本劃分為更多子序列。CNN模型將解釋每個子序列，而LSTM將彙總來自這些子序列的解釋”

    其他：
          keras中TimeDistributed和RepeatVector的解釋：https://blog.csdn.net/ChaoFeiLi/article/details/89323078，基本上相當於np的reshape，但是是在model中改變輸入輸出的形狀。
          LSTM層中return_sequence和return_statue的解釋：https://blog.csdn.net/Ahead_J/article/details/84671396


   
    例子4：（使用LSTM自動編碼器方法）：https://www.kaggle.com/dimitreoliveira/time-series-forecasting-with-lstm-autoencoders/data
          ①、首先，先構造encode模型，模型的輸入[樣本，時間步長，特徵],我們假定把原時間步長壓縮成一個單值，因此我們的輸出加了一個dense(1)
          ②、encode模型的輸入資料和標籤，都是它自己encoder_decoder.fit(X_train,X_train,batch_size=batch,epochs=epochs)
          ③、通過keras中的Model，可以取出訓練好的模型中的某幾層，比如rpt_vector_layer = Model(inputs=encoder_decoder.inputs, outputs=encoder_decoder.layers[3].output)，
              然後通過rpt_vector_layer.predict(X_train[:1])進行預測輸出。
          ④、最後，我們通過構建編碼器encoder = Model(inputs=encoder_decoder.inputs, outputs=encoder_decoder.layers[2].output)，來進行輸出train_encoded = encoder.predict(X_train)
          ⑤、一般會把把自編碼出來的值，加到原資料中作為一列新的特徵，再訓練模型。