数学建模学习-季节性分解(Seasonal Decomposition)教程(41)

FFMXjy

于 2025-01-22 11:28:04 发布

阅读量1.1k

点赞数 10

分类专栏：数学建模学习-传统算法、机器学习、深度学习系列课程文章标签：数学建模学习

本文链接：https://blog.youkuaiyun.com/FFMXjy/article/details/145300042

版权

数学建模学习-传统算法、机器学习、深度学习系列课程专栏收录该内容

49 篇文章

订阅专栏

数学建模学习-季节性分解(Seasonal Decomposition)教程(41)

写在最前

注意本文的相关代码及例子为同学们提供参考，借鉴相关结构，在这里举一些通俗易懂的例子，方便同学们根据实际情况修改代码，很多同学私信反映能否添加一些可视化，这里每篇教程都尽可能增加一些可视化方便同学理解，但具体使用时，同学们要根据实际情况选择是否在论文中添加可视化图片。

系列教程计划持续更新，同学们可以免费订阅专栏，内容充足后专栏可能付费，提前订阅的同学可以免费阅读，同时相关代码获取可以关注博主评论或私信。

一、算法简介

季节性分解（Seasonal Decomposition）是一种重要的时间序列分析方法，它可以将时间序列数据分解为几个基本组成部分：趋势（Trend）、季节性（Seasonality）和残差（Residual）。这种分解可以帮助我们更好地理解时间序列数据的内在结构和变化规律。

主要组成部分：

趋势（Trend）：反映数据的长期变化方向
季节性（Seasonality）：反映数据的周期性变化模式
残差（Residual）：反映随机波动和不规则变化

二、算法特点

直观性：
- 可以清晰地展示时间序列的各个组成部分
- 便于理解数据的内在结构
实用性：
- 适用于具有明显季节性模式的数据
- 可以帮助预测和异常检测
可解释性：
- 分解结果具有明确的物理意义
- 便于向非专业人士解释分析结果
局限性：
- 假设季节性模式相对稳定
- 对异常值较为敏感

三、环境准备

本教程需要以下Python库：

numpy>=1.21.0
pandas>=1.3.0
matplotlib>=3.4.0
statsmodels>=0.13.0
seaborn>=0.11.0

安装依赖：

pip install -r requirements.txt

四、代码实现

4.1 数据准备

首先，我们生成一个包含趋势、季节性和随机成分的示例时间序列：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose
import seaborn as sns

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 生成示例时间序列数据
np.random.seed(42)
n_points = 144  # 12年的月度数据
time_idx = pd.date_range(start='2010-01-01', periods=n_points, freq='M')

# 创建趋势、季节性和随机成分
trend = np.linspace(0, 10, n_points)  # 线性趋势
seasonal = 5 * np.sin(2 * np.pi * np.arange(n_points) / 12)  # 年度季节性
random = np.random.normal(0, 1, n_points)  # 随机噪声

# 组合成最终的时间序列
data = trend + seasonal + random

# 创建时间序列数据框
ts = pd.Series(data, index=time_idx)

4.2 季节性分解

使用statsmodels库中的seasonal_decompose函数进行季节性分解：

# 进行季节性分解
decomposition = seasonal_decompose(ts, period=12)

4.3 可视化分析

4.3.1 原始数据可视化

plt.figure(figsize=(12, 6))
plt.plot(ts)
plt.title('原始时间序列数据')
plt.xlabel('时间')
plt.ylabel('值')
plt.grid(True)
plt.tight_layout()
plt.savefig('images/original_series.png')
plt.close()

[外链图片转存中…(img-QGnWE7rF-1737516416645)] 在这里插入图片描述

4.3.2 分解结果可视化

fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1, figsize=(12, 16))

# 原始数据
ax1.plot(ts)
ax1.set_title('原始数据')
ax1.grid(True)

# 趋势
ax2.plot(decomposition.trend)
ax2.set_title('趋势')
ax2.grid(True)

# 季节性
ax3.plot(decomposition.seasonal)
ax3.set_title('季节性')
ax3.grid(True)

# 残差
ax4.plot(decomposition.resid)
ax4.set_title('残差')
ax4.grid(True)

plt.tight_layout()
plt.savefig('images/decomposition_results.png')
plt.close()

在这里插入图片描述

4.3.3 季节性模式分析

seasonal_pattern = pd.DataFrame({
    '月份': range(1, 13),
    '季节性影响': decomposition.seasonal[:12]
})

plt.figure(figsize=(10, 6))
sns.barplot(data=seasonal_pattern, x='月份', y='季节性影响')
plt.title('月度季节性模式')
plt.xlabel('月份')
plt.ylabel('影响大小')
plt.grid(True)
plt.tight_layout()
plt.savefig('images/seasonal_pattern.png')
plt.close()

[外链图片转存中…(img-4stmGjAK-1737516444960)] 在这里插入图片描述

五、结果分析

从上述分析结果可以看出：

原始数据：
- 展现出明显的上升趋势
- 具有周期性的季节性波动
- 包含一定的随机波动
趋势分量：
- 呈现线性增长趋势
- 反映了数据的长期变化方向
季节性分量：
- 显示出明显的周期性模式
- 周期为12个月
- 振幅相对稳定
残差分量：
- 基本呈现随机波动
- 没有明显的模式
- 大部分波动在合理范围内

六、应用场景

经济数据分析：
- GDP季度数据分析
- 零售销售额预测
- 股市走势研究
气象数据分析：
- 温度变化趋势研究
- 降水量预测
- 空气质量分析
能源消耗分析：
- 电力负荷预测
- 天然气消耗分析
- 新能源发电量研究
交通流量分析：
- 高速公路车流量预测
- 地铁客流量分析
- 航空客运量研究

七、注意事项

数据预处理：
- 确保数据的时间间隔均匀
- 处理缺失值和异常值
- 选择合适的季节性周期
模型选择：
- 根据数据特点选择加法模型或乘法模型
- 考虑是否需要对数变换
- 评估分解结果的合理性
结果解释：
- 结合实际背景解释各个分量
- 注意趋势和季节性的相互影响
- 考虑残差的统计特性
实际应用：
- 考虑预测的时间跨度
- 评估模型的稳定性
- 定期更新和调整模型

八、扩展阅读

相关算法：
- STL分解（Seasonal and Trend decomposition using Loess）
- X-12-ARIMA分解
- TBATS模型
进阶主题：
- 多变量时间序列分解
- 非线性趋势提取
- 动态季节性模式
实践建议：
- 交叉验证方法
- 模型诊断技术
- 预测区间构建