时间序列分解:将时间序列分解成基本的构建块

开发 前端
大多数时间序列可以分解为不同的组件,在本文中,我将讨论这些不同的组件是什么,如何获取它们以及如何使用 Python 进行时间序列分解。

大多数时间序列可以分解为不同的组件,在本文中,我将讨论这些不同的组件是什么,如何获取它们以及如何使用 Python 进行时间序列分解。

时间序列组成

时间序列是(主要)三个组成部分的组合:趋势、季节性和残差/剩余部分。让我们简单的解释这三个组成部分

趋势:这是该序列的整体运动。它可能会持续增加、也可能持续减少,或者是波动的。

季节性:系列中的任何常规季节性模式。比如,夏季冰淇淋的销量通常高于冬季。

残差:这是我们考虑到趋势和季节性后剩下的部分。它也可以被认为只是统计噪声,或者是临时性事件的影响,这个残差量也有一个单独的周期分量,但它通常被归入趋势分量。

加法模型与乘法模型

这些组件的组合方式取决于时间序列的性质。对于加法模型:

图片

对于乘法模型:

图片

其中 Y 是序列,T 是趋势,S 是季节性,R 是残差分量。

当序列变化的大小尺度一致的时候,加法模型是最合适的。而当序列的波动处于相对和比例范围内时乘法模型是比较合适的。

例如,如果夏季冰淇淋的销量每年高出 1,000 个,则该模型是加法的。如果每年夏天销售额持续增长 20%,但绝对销售额在变化,则该模型是乘法的。稍后我们将讨论一个示例,该示例可以使该理论更加具体。

为了计算和可视化的渐变,可以通过对数变换或Box-Cox变换将乘法模型转换为加法模型:

图片

分解是如何工作的

有多种算法和方法可以将时间序列分解为三个分量。以下的经典方法,经常会使用并且非常直观。

  • 使用移动/滚动平均值计算趋势分量 T。
  • 对序列进行去趋势处理,Y-T 用于加法模型,Y/T 用于乘法模型。
  • 通过取每个季节的去趋势序列的平均值来计算季节分量 S。
  • 残差分量 R 的计算公式为:对于加法模型R = Y-T-R,对于乘法模型R = Y/(TR)。

还有其他几种可用于分解的方法,例如 STL、X11 和 SEATS。这些是先进的方法,是对经典方法的基本方法的补充,并改进了它的缺点。如果有想了解这些最新方法的可以留言,我们单开一篇文章介绍。

Python中进行时间序列分解

这里让我们使用1948年至1961年的美国航空客运量数据集:

#https://www.kaggle.com/datasets/ashfakyeafi/air-passenger-data-for-time-series-analysis

import plotly.express as px
import pandas as pd

# Read in the data
data = pd.read_csv('AirPassengers.csv', index_col=0)
data.index = pd.to_datetime(data.index)

# Plot the data
fig = px.line(data, x=data.index, y='#Passengers',


fig.update_layout(template="simple_white", fnotallow=dict(size=18),


fig.show()

图片

从图中我们观察到趋势是增加的,每年也有季节性。波动的大小随着时间的推移而增加,因此我们可以说这是一个乘法模型。

statmodels中包含了seasonal_decomposition函数可以帮我们来分解时间序列,并在我们要在调用函数时指定这是一个“乘法”模型:

from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt

# Plot the decomposition for multiplicative series
data.rename(columns={'#Passengers': 'Multiplicative Decomposition'}, inplace=True)
decomposition_plot_multi = seasonal_decompose(data['Multiplicative Decomposition'],

decomposition_plot_multi.plot()
plt.show()

图片

从上图中可以看到,该函数确实成功地捕获了这三个组成部分。

通过应用Scipy的函数boxcox ,可以使用Box-Cox变换稳定方差,这样可以将序列转换为一个加法模型:

# Import packages
from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt
from scipy.stats import boxcox

# Apply boxcox to acquire additive model
data['Additive Decomposition'], lam = boxcox(data['#Passengers'])

# Plot the decomposition for additive series
decomposition_plot_add = seasonal_decompose(data['Additive Decomposition'],

decomposition_plot_add.plot()
plt.show()

图片

这个函数也很好地捕获了这三个组件。但是我们看到残差在早期和后期具有更高的波动性。所以在为这个时间序列构建预测模型时,需要考虑到这一点。

总结

在这篇文章中,我们展示了如何将时间序列分解为三个基本组成部分:趋势、季节性和残差。这三个组成部分的组合产生了实际的时间序列,它们的组合可以是加性的也可以是乘性的。有几种更新技术可以执行分解,如STL, SEAL和X11,但是经典的方法简单并且直观。最后通过分解时间序列有助于建立对数据的理解,从而更容易做出未来的预测。

责任编辑:华轩 来源: DeepHub IMBA
相关推荐

2023-05-05 00:19:22

2022-05-12 11:12:46

MongoDB索引元数据

2024-09-09 14:57:31

2023-10-13 15:34:55

时间序列TimesNet

2022-11-14 14:36:59

数据集Python自相关

2022-12-15 16:53:55

2024-08-23 13:40:00

AI模型

2024-06-27 16:38:57

2021-03-31 11:20:57

PythonADTK异常检测

2024-03-18 00:00:03

时间序列Prompt模型

2024-05-09 16:23:14

2017-05-08 14:42:36

2020-10-27 10:13:06

Python时间序列代码

2022-08-16 09:00:00

机器学习人工智能数据库

2023-01-05 16:36:55

2022-12-05 16:38:48

Python统计信息预测模型

2020-02-18 16:07:17

物联网表存储数据库

2024-06-03 11:05:11

2020-09-09 12:33:05

检测时间卷积网络TCN

2021-07-01 21:46:30

PythonHot-Winters数据
点赞
收藏

51CTO技术栈公众号