1.1 对传统时序中的方法进行深入理解
    ①、通过画出随时间变化的销量，来看数据是否有趋势、季节、周期等特性
    ②、再对其进行分解（加法、乘法都需要试一下）。
    ③、对其进行平稳性分析，主要有观察法（均值、方差是否随时间变化而变化）和单位根检验法（P值是否小于5%，小于5%才能认为是平
        稳，不然需要对其进行差分），比如1阶差分能去掉趋势，12阶差分能去掉季节性等，最后在对差分后的数据进行单位根检验。
    ④、数据平稳后，开始确定AR过程和MA过程的阶数。AR和MA过程阶数的判断，都可以从1阶开始模拟，逐渐增加阶数。通过对阶数模拟后
        的自相关图和偏自相关图进行分析，如果发现自相关在模拟的阶数开始拖尾、偏自相关开始截尾，说明该阶数合适。但如果1阶这样，
        2阶也这样，那就说明情况比较复杂，仍不能确定。
    ⑤、如果实在通过自相关和偏自相关图找不出合适的阶数，那么可以通过计算AIC值来确定（多找几个阶数进行对比AIC，找出最大的。比
        如通过观察可以认为阶数在5阶之内，那就可以计算每个阶数的AIC值，选出最大的）。
    ⑥、确定p和q的阶数后就可以建立arma模型。或者也可以用Facebook的properhat来做。


    扩展阅读：自相关和偏自相关图解读：https://www.biaodianfu.com/acf-pacf.html，
     AR（p）模型：自相关系数拖尾，偏自相关系数p阶截尾。
     MA（q）模型：自相关系数q阶截尾，偏自相关系数拖尾。
     ＡＲＭＡ（ｐ，ｑ）模型：自相关系数拖尾，偏自相关系数拖尾

     你给的图自相关图一阶截尾，偏自相关图显示出显著的不截尾性，可以考虑用MA（１）模型拟合二阶差分后的序列。
     因为前面已经进行二阶差分运算，实际上就是用ARIMA（p,2,q）模型拟合原序列。


1.2 找更多的时序预测例子
    例子1（传统的时序分析过程）：https://www.kaggle.com/jagangupta/time-series-basics-exploring-traditional-ts
    例子2：(简单的LSTM方法)：https://www.kaggle.com/karanjakhar/simple-and-easy-aprroach-using-lstm
          ①、首先，需要把数据转变成 [样本数，特征数，1]这样的格式，比如每一行是一条样本，每一列是一个时间点。
          ②、比如时序的长度有100，训练集可以选择0~99作为训练集，它的标签是100对应的值，测试集就选择1-100，因为我们要预测第101个值。
          ③、当然，模型从原始时间序列上随机抽取固定长度的样本进行训练。例如，如果原始时间序列的长度为 600 天，那么把训练样本的长
              度设为200天，就可以有400种不同的起始点。--效果，好了一点。排名在45%。

    例子3：(MLP、LSTM、CNN、CNN+LSTM各种方法介绍)：https://www.kaggle.com/dimitreoliveira/deep-learning-for-time-series-forecasting
          假设原数据格式为:X=[样本数,时间步长],Y=[样本数，1],每一行就是一条样本，每一列就是一个时间（比如dt）.
          ①、MLP:输入格式为 [样本数,时间步长],直接接dense层，输出层在接dense降维到1。例如[2000,60]
          ②、LSTM：输入格式为 [样本数,时间步长,特征]，一般特征为1，也就是单变量时序输入。例如[2000,60,1]
          ③、CNN:输入格式为 [样本，时间步长，特征]，过完pooling层后，需要过一个flatten层展平，把数据展成一维，再过dense降维。例如[2000,60,1]
          ④、CNN+LSTM:输入格式为 [样本，子序列，时间步长，特征]，比如原先时间步长为60，如果设置子序列为3，则变形后的时间步长为60/3=20,特征仍为1  ,例如[2000,3,20,1]，
          CNN+LSTM多了一个子序列，通过TimeDistributed实现，目的是“我们将进一步将每个样本划分为更多子序列。CNN模型将解释每个子序列，而LSTM将汇总来自这些子序列的解释”

    其他：
          keras中TimeDistributed和RepeatVector的解释：https://blog.csdn.net/ChaoFeiLi/article/details/89323078，基本上相当于np的reshape，但是是在model中改变输入输出的形状。
          LSTM层中return_sequence和return_statue的解释：https://blog.csdn.net/Ahead_J/article/details/84671396


   
    例子4：（使用LSTM自动编码器方法）：https://www.kaggle.com/dimitreoliveira/time-series-forecasting-with-lstm-autoencoders/data
          ①、首先，先构造encode模型，模型的输入[样本，时间步长，特征],我们假定把原时间步长压缩成一个单值，因此我们的输出加了一个dense(1)
          ②、encode模型的输入数据和标签，都是它自己encoder_decoder.fit(X_train,X_train,batch_size=batch,epochs=epochs)
          ③、通过keras中的Model，可以取出训练好的模型中的某几层，比如rpt_vector_layer = Model(inputs=encoder_decoder.inputs, outputs=encoder_decoder.layers[3].output)，
              然后通过rpt_vector_layer.predict(X_train[:1])进行预测输出。
          ④、最后，我们通过构建编码器encoder = Model(inputs=encoder_decoder.inputs, outputs=encoder_decoder.layers[2].output)，来进行输出train_encoded = encoder.predict(X_train)
          ⑤、一般会把把自编码出来的值，加到原数据中作为一列新的特征，再训练模型。