我很难理解为什么在Python中执行时间序列预测时我们需要从非平稳时间序列数据中删除趋势和季节性成分。由于我们实际上希望在最终输出中保留趋势和季节性，因此删除这些组件不会影响预测数据的准确性吗？尽管我意识到我们必须首先使数据平稳才能应用 ARIMA 和 SARIMAX 等模型，但我不确定这些模型是否仍然能够准确预测未来趋势和季节性。我在 Google 和 YouTube 上对此进行了广泛的研究，但尚未找到令人满意的答案。
趋势是我们在时间序列中可以观察到的长期变化，它具有时间依赖性，每个时间序列都有趋势，而季节性趋势是非平稳的。
因此，建议使其静止（与时间无关），以消除任何隐藏的趋势，这些趋势将充当噪声且肉眼不易观察到。
但是，我引用这个消息来源说：
有些情况可能会令人困惑——具有循环行为的时间序列（但是 没有趋势或季节性）是静止的。这是因为 周期没有固定的长度，所以在我们观察序列之前我们 无法确定周期的波峰和波谷在哪里。
趋势也可能会夸大时间序列之间的相关性（统计学家会说“它会给出虚假结果”），我们可能会查看图表并进行相关性测试，我们可能会发现很强的正相关性。然而，一旦我们去趋势化，另一个故事就会出现。
这是另一个链接，它显示了如果我们不去趋势化，两个时间序列之间的相关性测试可能会失败。
ARIMA 可以处理某些非平稳时间序列的情况，但是，如果您正在寻找简单的 ARIMA 实现，建议将它们设为平稳。
要使时间序列平稳，请检查如何进行去趋势和去季节化（无论是通过差分模型还是回归模型都有帮助）。
我希望这能回答您的问题，请随时发表评论以进一步讨论。
据我了解，当您对季节性成分进行去趋势和调整时，您正在尝试实现数据的平稳状态，这是应用 ARIMA 模型的关键要求。
众所周知，时间序列包含各种成分，其中三个主要成分是残差（或不规则）、趋势和季节性。经过去趋势和季节性调整后，剩下的就是不规则的成分。因此，当您执行 ARIMA 模型时，您正在分析不规则分量。完成分析后，您可以重新引入趋势和季节性成分，构建完整的模型，更好地捕获时间序列的每个成分。