时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。
本次操作案例的时间序列预测的工作流如下：
1. 商业目标
业务理解：该案例所用的数据是《销售数据.csv》，该数据包含销售日期、销量和利润（万元）三个指标，如下：
业务目标：建立预测分析系统，分析利润在未来的预测值。
数据挖掘目标：建立时间序列预测模型，该模型以日期为输入，以利润为目标，建立预测模型。
2.数据理解
使用节点计算字段的特征统计量，输出结果如下：
3.分布趋势分析
分析时间序列趋势是时间序列建模的初步工作。目的是为了分析时间序列的规律和序列特征，如序列是否平稳？是否有周期性或者趋势性？并由此分析哪些分析模型更适合。
操作如下：
第一步，使用类型转换节点将字符型的日期型转化为日期型。节点配置如下：
第二步，使用时间选择节点选择选择85年 - 95年的数据的进行分析。数据如下：
第三步，设置时间区间，节点配置如下：
第四步，使用时序图节点分析序列的趋势，节点配置如下：
从下图可以看出，序列整体呈下降趋势，没有明显的周期性。
4.简单序列预测
工作流如下：
接下来，我们选择一个简单的移动平均预测算法进行预测。步骤如下：
第一步，使用时间区间节点设置时间区间为“月”， 汇总配置中按照月对数据进行汇总，配置如下：
该节点执行前数据预览如下：
执行后数据预览如下：
第二步，使用移动平均节点进行移动平均计算。节点配置如下：
执行后预览数据如下：
第三步，使用派生字段节点计算残差，节点配置如下：
第四步，使用时序图节点可视化预测结果。节点配置如下：
如上图所示，移动平均算法对该时间序列的趋势有一定预测能力，该模型也总结一些规律，但是尚有一些规律并未总结出。这是一个趋势性非平稳序列，您还可以考虑使用指数平滑模型、arima模型、残差自回归模型等重新建模。
5.重新建模
使用节点数据直接进行重新建模。
第一步：使用类型节点制定角色。配置如下：
本次建模选用指数平滑模型，配置如下：
执行结果如下，得到时间散点图和预测数据：
小结
时间序列分析是数据挖掘最难的算法之一。当然它也有一个好处，就是建模之前的数据量一般都很小，一般只有几十条到几百条记录（如果您的预测粒度是月，那么每年才12条数据，10年才120条），因此模型计算很快。