python 时间序列分解 stl_时间序列分解算法：STL

最新推荐文章于 2024-09-13 17:45:18 发布

weixin_39762478

最新推荐文章于 2024-09-13 17:45:18 发布

阅读量2.3k

点赞数

文章标签： python 时间序列分解 stl

本文详细介绍了STL（Seasonal-Trend decomposition procedure based on Loess）算法，这是一种常用的时间序列分解方法，用于将数据分解为趋势、季节性和余项。通过内循环和外循环实现对数据的平滑处理，去除趋势和平季，提取关键信息。Python的statsmodels库提供了简单版的STL实现，而R语言中则有完整的STL函数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 详解

STL (Seasonal-Trend decomposition procedure based on Loess) [1] 为时序分解中一种常见的算法，基于LOESS将某时刻的数据$Y_v$分解为趋势分量(trend component)、周期分量(seasonal component)和余项(remainder component):

\[ Y_v = T _v + S_v + R_v \quad v= 1, \cdots, N \]

STL分为内循环(inner loop)与外循环(outer loop)，其中内循环主要做了趋势拟合与周期分量的计算。假定$T_v^{(k)}$、$S_v{(k)}$为内循环中第k-1次pass结束时的趋势分量、周期分量，初始时$T_v^{(k)} = 0$；并有以下参数：

$n_{(i)}$内层循环数，

$n_{(o)}$外层循环数，

$n_{(p)}$为一个周期的样本数，

$n_{(s)}$为Step 2中LOESS平滑参数，

$n_{(l)}$为Step 3中LOESS平滑参数，

$n_{(t)}$为Step 6中LOESS平滑参数。

每个周期相同位置的样本点组成一个子序列(subseries)，容易知道这样的子序列共有共有$n_(p)$个，我们称其为cycle-subseries。内循环主要分为以下6个步骤：

Step 1: 去趋势(Detrending)，减去上一轮结果的趋势分量，$Y_v – T_v^{(k)}$；

Step 2: 周期子序列平滑(Cycle-subseries smoothing)，用LOESS ($q=n_{n(s)}$, $d=1$)对每个子序列做回归，并向前向后各延展一个周期；平滑结果组成temporary seasonal series，记为$C_v^{(k+1)}, \quad v = -n_{(p)} + 1, \cdots, -N + n_{(p)} $；