如果将 PCA 保留为时间序列，则 PCA 对时间序列没有任何意义：

有时将时间序列数据聚合成矩形表示很有用为了深入了解数据的有趣方面。这是一个特征工程，其中时间序列提供了许多特征。例如，您可以为“分钟”、“一天中”、“早上”、“下午”、“晚上”、“星期几”、“一个月中的一天”、“一个月中的一周”创建特征， 'week of year', 'season', ...您甚至可以将此数据与其他数据（例如历史天气数据或经济指数）结合起来，以查看每日温度或经济如何影响您的现象。在这些情况下，您可以进行所有这些特征工程，然后使用 PCA 找到最重要的特征（雷达图），或者简单地从后 PCA 混搭（线性变换）中选择最重要的正交特征。

时间序列平滑：

有很多不同的方法可以平滑和下采样时间序列数据。在这种情况下，您正在转换量化的随机事件并将它们转换为规则间隔的数据，或者获取您已经规则间隔的数据并对其进行下采样和平滑处理。平滑算法包括指数加权移动平均(EWMA)或 Holt-Winters 平滑。Connor Johnson 有一篇关于这些的不错的博客文章。

ARIMA是一个更完整的算法，包括平滑、去季节和预测。它非常强大，但需要一些时间才能掌握。

希望这可以帮助！