时间序列预测变得简单（第3.1部分）：STL分解

，我们以温度数据为例探索了趋势，季节性和残差。我们首先使用Python的siensional_decostose方法在数据中发现模式。接下来，我们使用标准基线模型（如季节性天真）进行了首个温度预测。

ensional_decostose

从那里开始，我们更深入地了解了Sishiesal_decompose如何实际计算趋势，季节性和残留成分。

我们提取了这些零件以构建基于分解的基线模型，然后尝试根据我们的数据量身定制的定制基线。

最后，我们使用平均绝对百分比误差（MAPE）评估了每个模型，以查看我们的方法的表现。

在前两个部分中，我们使用了温度数据，这是一个相对简单的数据集，在该数据集中，趋势和季节性清晰，季节性_decoposose在捕获这些模式方面做得很好。

但是，在许多实际数据集中，事情并不总是那么简单。趋势和季节性模式可能会发生变化或杂乱无章，在这些情况下，季节性征收可能无法有效地捕获基础结构。

这是我们转向一种更高级的分解方法来更好地理解数据：STL - 使用Loess的季节性趋势分解。

stl - 使用黄土的季节性趋势分解。

loess代表局部估计的散点图平滑。

loess 局部估计的散点图平滑

为了更好地了解这一点，我们将使用Fred（Federal Reserve经济数据）的百货商店数据集的零售。

百货商店零售

这是数据的样子：

从弗雷德（Fred）的百货商店数据集的零售销售样本。

我们正在与美国百货公司的每月零售销售合作的数据集，它来自受信任的弗雷德（联邦储备经济数据）来源。

它只有两个列：

observation_date - 每个月的雷达尔_sales的开始 - 该月的总销售额，以数百万美元的价格

observation_date - 每个月开始

注意： 3