（记录下自己第一次独立解决一个问题，至于结果嘛，呵呵呵）
本文的目的是用统计学的方法预测一组数据
经过对数据简单的观察与分析及查阅多方资料，最终选用SARIMAX模型进行预测。（过程还算艰辛吧，这个问题一共做了不到半个月😂。）
step1:准备数据
关于数据这个问题呢，我一直就觉得没啥好说的。原因在于既然是想做数据的预测，就说明手里是有一份数据的，是想通过这份数据得出一些东西。至于想找一堆数据来验证某些统计学方法那就另当别论了，这是专业人士干的事。
step2:想办法预测
因为我手里的数据是明显具有季节性的，所以有两条路做预测：（1）借助某种季节性预测模型；（2）做季节性分解。
way1:借助季节性模型
找了本很牛的书，书名为：《时间序列分析预测与控制》，发现带季节性时序预测是门学问。通过这本书，我主要的收获如下：AR（自回归过程）+MA（滑动平均过程）——>ARMA(自回归滑动平均混合模型)——>ARIMA(自回归滑动平均过程)——>SARIMA（季节性自回归滑动平均过程）——>SARIMAX(再加一个变量云云)。
光看上面这些字母看不懂，找书看它的公式即含义发现这根本不是一时半会儿就能学会的。于是就放下这一块，转向如何用python实现。主要是用到了statsmodels这个库（中间还有许多故事）。为了学习这个库中某些函数的用法，我还特地去找了相应的官方文档，发现并没有什么用，全英文，全全的英文，我是看不懂英文吗？不!我是看不懂这里的英文😓。无可奈何，就去学习前任的代码，经验喽。所以这篇文章我不想贴代码，因为就没几行是我自己写的，我只是搬运工。。。
用该模型做预测的流程是：对数据做平稳性检验（保证该数据是可以用SARIMAX预测的）（如果不平稳，就想办法让它平稳，直到它足够平稳，最常用的办法是差分）——白噪声检验（保证该数据是处于模型的适用范围的）（不通过我也没办法，换个模型吧）——借助网格搜索法用sm.tsa.statespace.SARIMAX函数在某种度量下（AIC,BIC,MAPE…）的最优解——将所得到的模型的最优解所对应的参数进行预测（model后.fit后.predict）
其实，这种方法最大的诟病就在于找合适的参数，书上说，一般来说待搜索的网格很少。但以我的经验，那些网格所找到的参数完全有改进的空间。一种笨的办法就是遍历喽，遍历怎么加速呢？并行喽。啊啊啊，数学家的重要性就出来了，能不能告诉我找到什么时候我就该停止了啊！
way2:季节性分解
直接一个函数搞定ExponentialSmoothing。本来还想着光经典分解法就有两种：加法和乘法。调试各种参数之后发现影响很小很小很小，结果也远不如way1。
中间走了不少弯路，吃一🗡长一智吧。
