用Python实现时间序列模型实战——Day 4: 时间序列分解

最新推荐文章于 2024-09-15 08:00:00 发布

写代码的M教授

最新推荐文章于 2024-09-15 08:00:00 发布

阅读量2.3k

点赞数 24

分类专栏：时间序列模型文章标签： python 开发语言

本文链接：https://blog.csdn.net/qq_41698317/article/details/141649825

版权

时间序列模型专栏收录该内容

29 篇文章

订阅专栏

一、学习内容

1. 加性与乘性时间序列分解模型

加性模型：

加性模型假设时间序列可以分解为三个部分：趋势 (Trend)、季节性 (Seasonality) 和残差 (Residual)，即：

$y_t = T_t + S_t + R_t$

其中：

$y_t$ 是时间 $t$ 的观测值。
$T_t$ 是趋势成分，反映长期的变化。
$S_t$ 是季节性成分，反映周期性波动。
$R_t$ 是残差成分，反映随机波动或噪声。

乘性模型：

乘性模型假设时间序列的各成分是相乘关系，即：

$y_t = T_t \times S_t \times R_t$

乘性模型通常用于波动幅度随时间增大而增加的情况。例如，季节性波动随趋势的上升而增加。

2. 使用 STL (Seasonal and Trend decomposition using Loess) 方法进行时间序列分解

STL 分解：

STL（Seasonal and Trend decomposition using Loess）是一种强大的时间序列分解方法，可以将时间序列分解为趋势、季节性和残差成分。
STL 方法的优点是可以处理复杂的季节性和趋势变化，并且对季节性成分的长度没有严格限制。

STL 方法使用 LOESS（局部加权回归）来估计趋势和季节性成分，从而提供更灵活的分解方式。

二、实战案例

1. 数据加载与原始数据可视化

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose, STL

# 加载时间序列数据集
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv"
data = pd.read_csv(url, parse_dates=['Month'], index_col='Month')

# 绘制原始数据的时间序列图
plt.figure(figsize=(12, 6))
plt.plot(data['Passengers'], label='Original')
plt.title('Original Time Series')
plt.xlabel('Date')
plt.ylabel('Number of Passengers')
plt.legend()
plt.grid(True)
plt.show()

程序解释：

载入航空乘客数据集，并绘制原始时间序列图，显示乘客数量随时间的变化。

结果输出：

原始数据的时间序列图：

图表显示了航空乘客数量的时间序列，存在明显的上升趋势和季节性波动。

2. 加性分解

# 加性分解
result_add = seasonal_decompose(data['Passengers'], model='additive', period=12)
result_add.plot()
plt.suptitle('Additive Decomposition', fontsize=16)
plt.show()

程序解释：

使用 seasonal_decompose 方法进行加性分解，将时间序列分解为趋势、季节性和残差成分。
参数 model='additive' 指定使用加性模型，period=12 指定季节性周期为 12 个月。

结果输出：

加性分解结果：

加性分解将时间序列分解为趋势、季节性和残差三个部分。趋势部分显示数据的长期上升趋势；季节性部分显示每年乘客数量的周期性波动；残差部分显示了去除趋势和季节性后的随机波动。

3. 乘性分解

# 乘性分解
result_mul = seasonal_decompose(data['Passengers'], model='multiplicative', period=12)
result_mul.plot()
plt.suptitle('Multiplicative Decomposition', fontsize=16)
plt.show()

程序解释：

同样使用 seasonal_decompose 方法进行乘性分解。
参数 model='multiplicative' 指定使用乘性模型，period=12 指定季节性周期为 12 个月。

结果输出：

乘性分解结果：

乘性分解也将时间序列分解为趋势、季节性和残差部分。与加性分解不同，乘性分解更适合那些季节性波动幅度随趋势增加而增大的时间序列。结果图表中可以看到，季节性成分的波动幅度随着趋势的上升而增加。

4. STL 分解

# 使用 STL 方法进行分解
stl = STL(data['Passengers'], seasonal=13)
result_stl = stl.fit()
result_stl.plot()
plt.suptitle('STL Decomposition', fontsize=16)
plt.show()

程序解释：