STL 分解STL 分解:分离趋势、季节与残差,然后分别判断
STL(Seasonal-Trend decomposition using LOESS)是一种滤波过程,不是模型。它反复平滑周期子序列、施加低通滤波并平滑趋势,外层循环降低离群点权重。它擅长分离尺度,也会在周期错误时带来危险。
可复现流程
下面是工作台针对该方法实际执行的流程,按顺序排列。每一步都包含一个动作、一条可以中止该步骤的规则,以及一份明确的输出。
- 01
从日期间隔或自相关函数中识别周期长度。
- 规则
- 无法识别的周期会阻止 STL,而不是回退到某个猜测值。
- 输出
- 周期长度及其来源。
- 02
设置 seasonal、trend 与 low-pass 三个窗口。
- 规则
- seasonal 必须为奇数且不小于 7;trend 与 low-pass 必须为奇数且大于周期。
- 输出
- 三个窗口参数。
- 03
运行分解,默认启用稳健权重。
- 规则
- 稳健迭代对离群点降权而非删除,因此不会有任何观测从记录中消失。
- 输出
- 趋势、季节与残差序列。
- 04
检查方差占比与残差的表现。
- 规则
- 观测超过 50,000 时,请求的 jump 会被提升为 2,实际取值会写入结果元数据。
- 输出
- 方差占比与迭代次数。
分解式
观测序列被视为趋势 + 季节 + 残差。趋势是平滑的 LOESS 曲线;季节是固定周期的重复形状;残差包含其余部分。三个分量按构造相加等于观测序列。
- What this computes:
- Split the series into long-term direction + repeating cycle + leftover noise.
- Example:
- Monthly sales = long-term growth (trend) + yearly peak (season) + random wiggle (residual).
- Caution:
- A wrong period contaminates the residual.
参数到底做什么
seasonal 控制每个周期子序列内重复形状的平滑度;trend 控制长期方向的平滑度;low_pass 控制分离季节形状与趋势的滤波。阶数为 0(局部常数)或 1(局部线性)。jump 参数每 k 个点评估一次 LOESS 并插值,以精度换速度。
| 参数 | 默认 | 约束 | 作用 |
|---|---|---|---|
| period | 从数据推断 | 整数 ≥ 2 | 周期长度;错误值会污染一切 |
| seasonal | 7 | 奇数,≥ 3 | 重复形状的平滑度 |
| trend | 自动 | 奇数,> period | 长期方向的平滑度 |
| low_pass | 大于 period 的最小奇数 | 奇数,≥ 3 | 分离季节与趋势 |
| seasonal_deg / trend_deg / low_pass_deg | 1 | 0 或 1 | 局部常数 vs 局部线性 |
| robust | true | 强制默认 | bisquare 权重降低离群点影响 |
| jumps | 1(超过 5 万行为 2) | ≥ 1 | 每 k 点评估并插值 |
稳健权重与残差离群点
稳健模式从中位数绝对偏差计算残差尺度,并分配 bisquare 权重。权重接近零的点在下一次内循环中几乎不贡献。最终权重随结果返回,因此可以看到哪些观测实际上被排除。
分解后,若 |R − median(R)| 超过 k·MAD(R),残差被标记,默认 k = 3.5。被标记点仍留在数据中;只在去噪管线内部排除,并记录规则。
大样本与诚实要求
超过 50,000 个观测时,工作台把三个 jump 参数升为 2。请求参数与实际参数都写入元数据并显示在界面。静默降级会让两个结果看似相同却不可比较。
之后要检查什么
检查残差自相关。若残差仍有结构,周期或趋势跨度错误。若季节分量振幅漂移,固定周期 STL 可能不合适。比较方差占比:解释几乎全部变异的趋势值得回看原始序列。
常见问题
STL 的周期应该怎么选?
按采样间隔:月度数据配年度周期用 12,日度数据配周周期用 7,周度数据配年度周期用 52。周期不明显时先看自相关。错误周期会污染残差并让季节检验不可靠。
STL 的 robust 参数做什么?
稳健模式根据残差计算 bisquare 权重,让极端点在下一次内循环中贡献更小。最终权重随分解返回。它降低离群点影响,但不会从数据中删除它们。
STL 趋势、季节与残差有什么区别?
趋势是平滑的长期方向,季节是固定周期的重复形状,残差是剩余部分。三者相加等于观测序列。方差占比说明哪个尺度主导,但占比不必恰好相加为 100%。
可以在浏览器内做 STL 分解吗?
可以。分解在本机 Web Worker 中运行。超过 50,000 个观测时,LOESS jump 参数升为 2,实际值写入结果元数据,降级运行不会被呈现为与完整运行相同。
相关方法说明
引用本页:Detrend, “STL 分解:分离趋势、季节与残差,然后分别判断”, https://detrend.datacorp.top/zh-CN/methods/stl-decomposition. 最后更新 2026-11-15。
在自己的工作簿上运行这套流程
工作台在本地执行同样的步骤,根据诊断选择方法,并保留所有备选结果可见。
打开工作台