在开展数据分析工作时，时间序列分析方法通常用在哪些业务场景？请列举常用的时间序列模型并说明各自的特点。

回答思路

1. 【回答框架 1】时间序列分析用于按时间顺序观察的数据，通过历史规律进行预测，常见场景包括销售额预测、股票价格分析、天气预测、设备故障监测等。其核心是识别趋势、季节性、周期性和随机波动。
2. 【回答框架 2】常用模型包括AR、MA、ARMA，适合平稳序列；ARIMA通过差分处理非平稳序列，是最基础的经典模型；季节性模型如SARIMA处理含季节效应的数据。
3. 【回答框架 3】更复杂的模型有指数平滑法（如Holt-Winters），适合有趋势和季节性的数据；机器学习模型如Prophet、LSTM也可用于时间序列，但需要较大数据量。
4. 【回答框架 4】模型选择依据数据特性和预测目的，例如短期预测可用ARIMA，长期或非线性关系可考虑深度学习模型。
5. 【回答框架 5】实际应用中需先进行平稳性检验（如ADF检验），并评估模型效果如AIC、BIC或预测误差。
6. 【关键点 1】时间序列分析适用于具有时间依赖性的数据，如销售、天气、金融等。
7. 【关键点 2】ARIMA是最常用的经典模型，通过差分处理非平稳性；SARIMA扩展了季节性。
8. 【关键点 3】指数平滑法适合有趋势和季节性的数据，简单高效。
9. 【关键点 4】模型选择需结合数据特性、预测周期和精度要求。
10. 【关键点 5】应用前需检验平稳性，并通过交叉验证评估模型性能。
11. 【易错点 1】忽视数据平稳性，直接应用AR模型可能导致虚假回归。
12. 【易错点 2】混淆趋势和季节性，未正确分解导致预测偏差。
13. 【易错点 3】追求复杂模型而忽视数据量，导致过拟合。