时间序列分解

((633508b5-19ac-4525-b4a5-f16c952e4c26))

分解方式

• 分类
  • 加性
    • $Y_t=S_t+T_t+R_t$
  • 乘性
    • $Y_t=S_t \times T_t \times R_t$
• ^^S^^eason
  • 计算原始序列数据-趋势值之后的 detrend 值在周期内的均值
• ^^T^^rend
  • 计算序列的[[移动平均]]
  • sktime 多项式回归
• ^^R^^esidual
  • 原始数据 - Season - Trend
• ((633508db-3178-4d07-9c1d-1960973e017c))

季节性和周期性

• 季节性总是具有固定的已知频率
• 周期性的波动频率不是固定的

时间序列分解1 - 知乎 (zhihu.com)

• 时间序列分解如何和时间序列预测结合？
  • gbdt 外推能力差，对于趋势性强的时间序列数据的拟合能力比较差，通过时间序列分解之后去除趋势性部分，剩下季节性+残差部分用 gbdt 进行拟合。
  • 扩展开来趋势项可以用 lr 或 nn 拟合，剩余部分使用 gbdt 拟合
    • 双重误差问题，gbdt 在 lr 或 nn 基础上再进行拟合，如果外推模型本身存在过拟合，gbdt 会错上加错。
  • 缺点
    • 经典时间序列分解方法简单，精度低。电商的节假日无法分解
    • 季节性分解做的比较简单，每一个周期内的值都是不变的
    • 无法分解多个周期性嵌套的时间序列问题

网络回响