现在您已经看过多种时间序列的 ACF 图，应该能仅凭 ACF 图识别时间序列的特征了。
请将给出的 ACF 图（A–D）与相应的时间图（1–4）配对。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
进行任何数据分析的第一步都是绘图。图形可以帮助可视化数据的诸多特征，包括模式、异常观测以及随时间的变化。随后，您需要尽可能将这些在图中看到的特征，融入到将要采用的预测方法中。
当前练习
本章将介绍适用于多种预测情境的一般工具。我们将讲解一些基准预测方法、用于检查某个预测方法是否充分利用了可用信息的方法，以及度量预测精度的方法。本章讨论的每个工具，都会在后续章节中反复使用，帮助您开发并探索多种预测方法。
使用指数平滑方法得到的预测，是对历史观测值的加权平均，其中权重会随时间指数式衰减。换言之，越近期的观测值，权重越高。该框架能够快速为各类时间序列生成可靠的预测，这一优势使其在商业应用中尤为重要。
ARIMA 模型提供了时间序列预测的另一种途径。指数平滑与 ARIMA 是时间序列预测中最常用的两大方法，它们相辅相成。指数平滑模型侧重于描述数据中的趋势与季节性，而 ARIMA 模型则旨在刻画数据的自相关结构。
前面章节中的时间序列模型对许多时间序列都适用，但对周度或小时级数据往往效果不佳，且无法纳入其他信息，例如节假日影响、竞争对手活动、法律变更等。本章将介绍能够处理更复杂季节性的若干方法，并探讨如何扩展 ARIMA 模型，以便将其他信息一并纳入其中。
