pythond的执行原理_时间序列预测之decompose数据分解python实现和原理介绍

时间序列简介

时间序列是时间间隔不变的情况下收集的时间点集合，没有其他数据辅助。这些集合被分析用来了解长期发展趋势，为了预测未来或者表现分析的其他形式。

最近完成一个基于时间序列ARIMA预测的项目，为了处理非平稳化的数据，需要将数据分解成长期趋势项、季节性周期项以及残差项几部分，然后分别“对症下药”。以下写写数据的具体分解函数代码及原理。

decompose数据分解

python代码

数据分解的代码可直接调用python的statsmodels库，如下，就分解成了三部分数据。

from statsmodels.tsa.seasonal import seasonal_decompose

decomposition = seasonal_decompose(timeseries) #timeseries时间序列数据

trend = decomposition.trend

seasonal = decomposition.seasonal

residual = decomposition.resid

但到底是如何分解成这三部分呢，还是值得探究一下。以下写写数据的具体分解过程。

数据分解原理

decompose数据分解模型主要有两类：相加模型（additive）和相乘模型（multiplicative）。

官方解释是：

The additive model is Y[t] = T[t] + S[t] + e[t]

The multiplicative model is Y[t] = T[t] * S[t] * e[t]

其中，T[t]是趋势项，S[t]是季节性周期项，e[t]是残值项。一般的ÿ