时序差分 (TD)

时序差分（Time Series Differencing）是时间序列分析中的核心预处理与建模技术，其本质是将原始序列 $X_t$ 转化为差分序列 $Y_t = X_t - X_{t-1}$（或高阶差分），旨在消除数据中的趋势项（Trend）和季节性波动（Seasonality），使非平稳序列转化为平稳序列。该概念源于统计学中的差分运算，在机器学习领域被广泛应用于 ARIMA 模型、LSTM 及 Transformer 架构中，作为特征工程的关键步骤，有效解决了传统模型对非平稳数据拟合不佳的问题。

在现代计算架构与人工智能生态中，时序差分扮演着‘数据平滑器’与‘特征增强器’的双重角色。它不仅是构建经典 ARIMA 模型的理论基石，更是深度学习处理金融高频交易、工业物联网传感器数据及用户行为预测时的首选预处理手段。通过消除长期依赖和周期性噪声，时序差分显著降低了模型的收敛难度，提升了梯度更新的稳定性。然而，其应用边界在于对短期剧烈波动的敏感度，过度差分可能导致信息丢失，因此需结合具体业务场景的平稳性要求进行动态调整。