请从数据挖掘实践出发，阐述时间序列分析的主要流程，并列举至少四种常用分析方法及其适用场景。

回答思路

1. 【回答框架 1】时间序列分析是研究按时间顺序排列的观测值序列，目的是揭示序列内在的动态规律、进行趋势预测或异常检测。数据挖掘中的完整流程通常包括：数据预处理（缺失值处理、异常值修正、重采样对齐）、平稳性检验与处理、模型选择与拟合、模型诊断、以及结果评估与部署。
2. 【回答框架 2】平稳性是经典方法的基础，常用ADF检验判断，若非平稳则通过差分、对数变换或分解（趋势、季节、残差）使其平稳。常见方法可分为几类：一是统计模型，如ARIMA（自回归积分滑动平均）及其季节性扩展SARIMA，适用于线性关系较强的平稳化序列；二是指数平滑类，如Holt-Winters，适合有趋势和季节性的数据；三是机器学习方法，如随机森林、XGBoost，通过构造滞后特征捕捉非线性模式；四是深度学习方法，如LSTM、Transformer，适合长序列和复杂依赖。
3. 【回答框架 3】不同方法选择依据数据规模、非线性程度和预测时效。ARIMA适合小样本和线性场景，机器学习适合中等样本且特征工程空间大，深度学习适合大数据量和强非线性。实际中常组合使用，例如用分解法分离趋势和残差，再对残差用ARIMA或机器学习建模。
4. 【回答框架 4】评价指标常用MAE、RMSE、MAPE，同时必须使用时间序列交叉验证（如滚动预测）避免数据泄漏，并比较基线模型（如历史均值或Naive预测）以确认增量价值。
5. 【关键点 1】时间序列分析核心步骤为预处理、平稳性处理、建模、诊断和评估。
6. 【关键点 2】ARIMA和SARIMA适用于线性平稳序列，季节性需用SARIMA或指数平滑。
7. 【关键点 3】机器学习方法通过滞后特征捕捉非线性，深度学习适合大规模复杂序列。
8. 【关键点 4】必须使用滚动预测或时间序列切分进行验证，防止未来信息泄漏。
9. 【关键点 5】模型对比需设置基线模型（如Naive或均值），以实际误差指标为准。
10. 【易错点 1】忽略平稳性检验而直接建模，导致伪回归或无效预测。
11. 【易错点 2】直接使用随机划分验证集，造成数据泄漏，高估模型效果。
12. 【易错点 3】为了追求复杂度选择深度学习，而在小样本上性能不如简单方法，且可解释性差。