---
title: "差分整合移動平均（ARIMA）"
slug: arima
language: zh-TW
source: https://aiterms.tw/terms/arima
updated_at: 2026-04-29
tags: [時序分析, 統計方法, 模型評估, AI基礎, 資料處理]
ipas_term: false
---

# 差分整合移動平均（ARIMA）

> **你想預測下個月的銷量，卻發現數字有趨勢又有週期嗎？**
> 你可以把 ARIMA 想成專門看時間順序的預測器，它會先把趨勢整理平，再找殘留規律。
> 它特別適合把歷史數據當成一條時間線來分析的場景。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **ARIMA vs 指數平滑法？**
> ARIMA：用自迴歸、差分、移動平均做預測
> 指數平滑法：更偏向平滑近期資料來做預測
> 最關鍵的區別：ARIMA 會先處理平穩性，指數平滑更像直接抓近期趨勢
>
> **ARIMA vs 季節性分解？**
> ARIMA：可處理非平穩序列，先差分再建模
> 季節性分解：把趨勢、季節、殘差拆開看
> 最關鍵的區別：分解是分析方法，ARIMA 是預測模型
>
> **ARIMA vs Prophet？**
> ARIMA：主要看歷史自身
> Prophet：更方便加入節日、假期等外生因素
> 最關鍵的區別：ARIMA 偏傳統統計，Prophet 更方便處理業務日曆特徵
### 記住這句就好

> 先把趨勢差掉，再用過去的規律預測未來
### 實際案例

> **門市月銷售**
> 店長拿三年的月銷量做預測，ARIMA 幫他先處理上升趨勢，再估下個月需求
>
> **網站流量**
> 網站每天訪客數有明顯週期，ARIMA 可以先差分，再抓節奏做短期預測
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | p | 自迴歸階數 | 看前多少期的值會影響現在 |
> | d | 差分次數 | 把趨勢變平穩 |
> | q | 移動平均階數 | 看前多少期誤差會影響現在 |
### 情境判斷

> **Q1：資料圖看起來有明顯上升趨勢，直接拿去做 ARIMA 合適嗎？**
> → 通常不合適，先差分讓序列更平穩再建模
>
> **Q2：如果資料有強烈節慶效應，ARIMA 就一定比 Prophet 好嗎？**
> → 不一定，這時是否加入外生變數、季節項與業務特徵會影響結果
### 常見問題

> **Q：怎麼決定 p、d、q？**
> 常用 ACF、PACF、AIC、BIC 來試，通常要搭配資料圖與驗證集結果一起看。
>
> **Q：ARIMA 可以預測很長期嗎？**
> 可以，但不一定穩。時間越長，誤差通常會累積，短中期通常比較可靠。
>
> **Q：ARIMA 一定比深度學習差嗎？**
> 不一定。資料量小、規律清楚時，ARIMA 常比大型模型更穩也更好解釋。
### 相關術語

> - **時間序列分析**：ARIMA 建立在時間序列分析之上
> - **指數平滑法**：是最常被拿來比較的傳統預測法
> - **季節性分解**：先看分解結果，有助於判斷 ARIMA 是否適合

---

來源：https://aiterms.tw/terms/arima
快查頁：https://aiterms.tw/terms/arima
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-arima