时间序列法是很常用的方法，它是根据过去的历史信息，识别当中的规律，并认为规律在未来进程上同样适用，以此为基础对未来预测其趋势变化。时间序列法使用到的预测模型，往往建立在四个重要的因素上，分别是水平（Level）, 趋势（Trend），季节性（Season）和噪声（Noise）。

水平是销售历史数据的自然反映，它是没有呈现趋势特征，也没有受到季节性影响和噪音情况下的销售状态。水平状态下，尽管每一期的需求数据都会略有差异，不过差异不是很大，那么总体来说，这些连续的需求数据会呈现“水平”的分布，徘徊在平均值附近。

图4-2 水平示例

趋势是指销售历史数据呈现连续的上升或者下降的状态，既可以是直线的，又可以是曲线的，当然这一种状态并非必然每一个节点时期都是相同，可以呈现轻微的反复，从而偶然的反向，不过总体上都是向着某一个势头发展（上升或者下降），这种发展通常是线性的，也可以是指数的。在某些场合下，趋势意味着“转换方向“。

图4-3 趋势示例

季节性是在一个时段内，每个相同周期内都会不断重复地出现增减变化。比如年度数据，过去十年的销售历史数据中，每年的三月就会处于销售的高峰，年年如此，那么这就是季节性的一种表现。一个典型的例子就是雪糕总是在夏季销量大增。季节性只是一个称呼，并非说特定季节，必然用于年数据上。同样，一年52周的销售数据中，每周的周三销售数据都是处于低谷的，这个也可以称为受到季节性的影响。这种影响既可以是自然的，也可以是人为力量造成的。

图4-4 季节性示例

噪声是统计学专门的用语。它是指无法解释的随机波动，是没有特征可寻的纯随机过程。时间序列的模型下，一般很难对其进行解释。在实践上，一般可认为实际值和预测值之间的差异，都是噪声。这些随机波动，即在历史需求数据中那些无法解释的部分，当然其中的某部分或许通过一些方法诸如回归分析能够得到解释，但是这些随机并非连续性的，都是偶发，间歇，因此无法以一个连续规律性的因素应用到未来的预测中，也就是说，无法把噪声因素应用在时间序列技术上而对未来进行预测。它多是不规则，不可预测的变化。

图4-5 噪声示例

图4-5中的第3期预测值是5040，但是实际值是5120，两者之间差异的为80，这个可以视为噪声，即不能解释得随机因素造成实际和预测的差异。