简介
STL:Seasonal-Trend decomposition procedures based on Loess
Loess(locally weighted regression,局部加权回归)
此方法是由Cleveland于1990年在论文《STL: A seasonal-trend decomposition procedure based on loess》中提出。
以上图片来源自snowdroptulip博客。
特点
STL有一个简单的设计,它包含了loess平滑法的一系列应用;这个简单的设计允许对过程的属性进行分析,也可以实现快速计算,即使对于长时间的时间序列、以及大量的趋势和季节性的平滑,也可以进行快速计算。
STL的其它特点是:
- 关于季节性和趋势平滑的量,这是一种几乎连续的方式,从非常少量的平滑到非常大量的平滑;
- 稳健的估计趋势项和季节项,而不会被数据中的异常行为扭曲;
- 可以指定季节项的周期为采样时间间隔任意大于一的整数倍;
- 可以分解有缺失值的时间序列;
如何解释时间序列图的结果
1、查找异常值和突变值
异常值
异常值可能会对时间序列模型产生不成比例的效应,而且会生成令人误解的结果。
当出现异常值是需要确定其原因,是数据输入错误还是真实的。
突变
查找序列中的突变或者趋势发生的突变。请尝试确定类似变化的原因。
2、查找趋势
趋势是数据值中的长期增加或减小。趋势可以是线性的,也可以表现出一定程度的弯曲。如果数据表现出一定的趋势,您可以使用时间序列分析来对数据建模并生成预测。
3、查找季节性模式或循环运动(周期变化)
季节性模式是数据值中在同一个时间段内定期反复的上升和下降。季节性模式始终具有固定的已知时间段。
与之相反,循环运动是指不定期反复的上升和下降数据值。
通常,循环运动比季节性模式耗时长且可变性大。
4、评估季节性变化是加法变化还是乘法变化
如果季节性变化的量值是固定的,则季节性变化是加法变化。如果季节性变化的量值随数据值增大而增大,则季节性变化是乘法变化。额外的变异性可能会使乘法季节性变化更难以准确预测。