看过掌柜前几篇关于时序文章：

的朋友都知道在最后一篇掌柜遗留了一个问题，就是已确定当前的时序数据具有季节周期性，那么如何解决这类时序数据并进行预测分析呢？本文掌柜将从以下几个方面一一作答：

首先我们来看第一个问题，SARIMA模型是什么？ 简单来讲，就是ARIMA的扩展，它明确支持带有季节成分的 单变量时间序列。 而多出来的几个参数就是下图大写的PDQ那部分： 其中m 表示时序的周期性，比如 以月为周期monthly，以年为周期yearly等。

下面接着看第二个问题：如何使用SARIMA模型进行时序分析的？（SARIMA模型的步骤有哪些？）

这里有这样一组示例数据： 上图👆表示的是 从1958年3月到2001年12月，美国夏威夷州空气中二氧化碳含量的时序图。 可以很明显的从时序图看出来，这是一个季节周期性的时序，所以下面我们用SARIMA模型进行一个处理和预测。 （ PS: 如果你的数据不是一开始就能明显看出季节周期性的，就请用掌柜上一篇博客👉：《ARIMA模型预测后出现一条直线的原因 》中提到的几种方法 来进行季节周期性的确定！！！ ）