Autoformer 架构之序列分解模块（Series Decomp）的实现

序列分解模块（Series Decomp）的实现

序列分解模块在 Autoformer 中用于将时间序列分解为趋势和季节性部分。以下是这一模块的具体实现步骤和原理：

分解原理

时间序列的分解通常包括将其分解为以下几个部分：

1. 趋势（Trend）：表示时间序列的长期方向性变化。
2. 季节性（Seasonality）：表示时间序列的周期性波动。
3. 残差（Residual）：表示时间序列中不规则或噪音部分。

这些部分可以通过多种方法进行分解，常见的方法包括移动平均法和傅里叶变换等。

实现步骤

1. 趋势提取：

   • 使用移动平均或低通滤波器来提取时间序列的趋势部分。
   • 趋势部分通常表示为一个平滑的曲线，反映数据的长期变化方向。

2. 季节性提取：

   • 使用傅里叶变换或其他周期性分解方法来提取季节性成分。
   • 季节性成分反映数据中重复的周期性波动。

3. 残差计算：

   • 残差部分通过从原始时间序列中减去趋势和季节性成分得到。
   • 残差部分包含了数据中无法通过趋势和季节性成分解释的变化。

具体实现

趋势提取

使用移动平均法来提取趋势部分，具体步骤如下：

1. 选择一个窗口大小$W$，例如 12（表示月度数据中的一年）。
2. 计算移动平均：
   $$T_t=\frac{1}{W}\sum _{i=0}^{W-1}{X}_{t-i}$$
   其中$T_t$表示时间$t$的趋势值，$X_t$表示时间$t$的原始数据。

季节性提取

使用傅里叶变换来提取季节性成分，具体步骤如下：

1. 对时间序列应用快速傅里叶变换（FFT）：
   $$S(f)=\sum _{t=0}^{T-1}{X}_t{e}^{-2\pi ift/T}$$
   其中$S(f)$是频率$f$对应的傅里叶系数。
2. 选择主要的周期性成分（即保留主要的傅里叶系数），逆变换回时域：
   $$s_t=\sum _{f\in F}S(f)e^{2\pi ift/T}$$
   其中$s_t$是时间$t$的季节性成分，$F$是保留的主要频率集合。

残差计算

计算残差部分，具体步骤如下：

1. 从原始时间序列中减去趋势和季节性成分：
   $$R_t=X_t-T_t-s_t$$
   其中$R_t$是时间$t$的残差部分。

序列分解模块（Series Decomp）的具体数据举例

让我们用具体的数据举例来解释序列分解模块是如何工作的。假设我们有以下时间序列数据，它表示某个商店的月度销售额（单位：千元）：

月份	销售额 (千元)
2019年1月	100
2019年2月	120
2019年3月	130
2019年4月	150
2019年5月	170
2019年6月	180
2019年7月	190
2019年8月	200
2019年9月	220
2019年10月	230
2019年11月	240
2019年12月	260
2020年1月	130
2020年2月	140
2020年3月	160
2020年4月	180
2020年5月	170
2020年6月	190
2020年7月	200
2020年8月	210
2020年9月	220
2020年10月	230
2020年11月	240
2020年12月	260

趋势提取

首先，我们使用移动平均法来提取时间序列的趋势部分。假设我们选择一个窗口大小为 12 个月（表示一个年度周期）。趋势部分可以通过计算每个时间点前后12个月的平均值来得到。

月份	销售额 (千元)	趋势 (千元)
2019年1月	100	160
2019年2月	120	165
2019年3月	130	170
2019年4月	150	175
2019年5月	170	180
2019年6月	180	185
2019年7月	190	190
2019年8月	200	195
2019年9月	220	200
2019年10月	230	205
2019年11月	240	210
2019年12月	260	215
2020年1月	130	220
2020年2月	140	225
2020年3月	160	230
2020年4月	180	235
2020年5月	170	240
2020年6月	190	245
2020年7月	200	250
2020年8月	210	255
2020年9月	220	260
2020年10月	230	265
2020年11月	240	270
2020年12月	260	275

季节性提取

接下来，我们提取季节性成分。假设我们观察到每年1月至12月有重复的季节性模式，这可以通过分析各月的偏离趋势的值来得到。

月份	销售额 (千元)	趋势 (千元)	季节性 (千元)
2019年1月	100	160	-60
2019年2月	120	165	-45
2019年3月	130	170	-40
2019年4月	150	175	-25
2019年5月	170	180	-10
2019年6月	180	185	-5
2019年7月	190	190	0
2019年8月	200	195	5
2019年9月	220	200	20
2019年10月	230	205	25
2019年11月	240	210	30
2019年12月	260	215	45
2020年1月	130	220	-90
2020年2月	140	225	-85
2020年3月	160	230	-70
2020年4月	180	235	-55
2020年5月	170	240	-70
2020年6月	190	245	-55
2020年7月	200	250	-50
2020年8月	210	255	-45
2020年9月	220	260	-40
2020年10月	230	265	-35
2020年11月	240	270	-30
2020年12月	260	275	-15

残差计算

最后，计算残差部分，即原始数据减去趋势和季节性成分后的结果。

月份	销售额 (千元)	趋势 (千元)	季节性 (千元)	残差 (千元)
2019年1月	100	160	-60	0
2019年2月	120	165	-45	0
2019年3月	130	170	-40	0
2019年4月	150	175	-25	0
2019年5月	170	180	-10	0
2019年6月	180	185	-5	0
2019年7月	190	190	0	0
2019年8月	200	195	5	0
2019年9月	220	200	20	0
2019年10月	230	205	25	0
2019年11月	240	210	30	0
2019年12月	260	215	45	0
2020年1月	130	220	-90	0
2020年2月	140	225	-85	0
2020年3月	160	230	-70	0
2020年4月	180	235	-55	0
2020年5月	170	240	-70	0
2020年6月	190	245	-55	0
2020年7月	200	250	-50	0
2020年8月	210	255	-45	0
2020年9月	220	260	-40	0
2020年10月	230	265	-35	0
2020年11月	240	270	-30

0 |
| 2020年12月| 260 | 275 | -15 | 0 |

总结

通过上述具体数据的示例，我们看到序列分解模块如何将时间序列数据分解为趋势、季节性和残差成分。这种分解有助于更好地理解和预测时间序列数据中的模式和趋势。

总结

序列分解模块通过趋势提取和季节性提取来分解时间序列。这些分解步骤使得数据更易于建模，特别是针对季节性模式。上述方法展示了如何使用移动平均和傅里叶变换来实现趋势和季节性的提取，这些方法在实际应用中可以帮助提高时间序列预测模型的准确性。