回归移动平均模型

回归移动平均模型（ARMA, Autoregressive Moving Average）是时间序列分析中的经典统计建模框架，由自回归部分（AR）和移动平均部分（MA）构成。其核心假设是：当前时刻的观测值不仅受过去若干时刻的观测值线性影响，还受过去若干时刻的预测误差（残差）线性影响。该模型通过最小化均方误差来估计参数，属于线性动态系统模型。与广义自回归移动平均（ARIMA）相比，ARMA 要求输入序列必须是平稳的（即均值和方差不随时间变化），若序列非平稳，需先进行差分处理。尽管现代深度学习在长序列预测上表现优异，ARMA 因其计算高效、可解释性强，在实时流数据处理和短期波动预测中仍占据重要地位。

在现代计算架构中，ARMA 模型扮演着‘轻量级基线预测器’的关键角色。它不依赖庞大的训练数据，却能以极低的计算开销提供基准预测能力，常被用于构建更复杂模型（如 LSTM 或 Transformer）的残差修正层。其生态地位体现在：一方面，它是时间序列分析的理论基石，为理解序列依赖性提供了数学直觉；另一方面，在边缘计算设备或高并发实时系统中，其低延迟特性使其成为工业物联网（IIoT）和高频交易系统的优选方案。然而，面对非线性强相关或长记忆性序列，其线性假设的局限性日益凸显，需结合 ARIMA 或机器学习方法互补使用。