Statsmodelsseasonal_decompose - 它有什么天真之处？

Question

一直在 Python 中处理时间序列，并使用

sm.tsa.seasonal_decompose

。在docs中，他们介绍了这样的功能：

我们添加了一个简单的季节性分解工具，与 R 的

decompose

相同。

这是文档中的代码副本及其输出：

import statsmodels.api as sm

dta = sm.datasets.co2.load_pandas().data
# deal with missing values. see issue
dta.co2.interpolate(inplace=True)

res = sm.tsa.seasonal_decompose(dta.co2)
res.plot()

他们说这是“天真”，但没有免责声明它有什么问题。有谁知道吗

Answer 1

根据参考文献

，StatsModels 似乎使用经典的移动平均方法来检测趋势并应用季节性分解（您可以查看更多here，特别是关于移动平均线和经典分解）。 但是，还可以使用其他高级季节性分解技术，例如

STL 分解

，它也有一些 Python 实现。 （更新 - 11/04/2019 正如 @squarespiral 的评论所指出的，此类实现似乎已合并到 StatsModels 的 master 分支中）。 在上面的链接中，您可以找到有关每种建议方法的优点和缺点的完整参考。

希望有帮助！

Answer 2

源代码

，statsmodels.tsa.seasonal()通过以下方式解构时间序列：

Trend
1. 由卷积窗口计算，由参数 period=12 决定，例如；去趋势时间序列通过 Raw-Trend 或 Raw/Trend 获得，由参数
model
2. ;

    控制
   

季节
3. 最终通过对单个周期内的所有时间段进行平均来计算（例如，此处为 12）； 最后，
残差
4. 就是留下的噪声。
我想说，这在某种程度上是传统的，就像机器学习任务的特征工程工作。不确定它是否会提高某些高级深度学习架构（例如 Transformer）的性能。