2.3 时间序列分解

2.3 时间序列分解

本节摘要：时间序列分解把原始序列拆成趋势、季节性、残差三个成分，是异常检测中最重要的一步预处理。本节讲清为什么必须分解、加法与乘法模型的区别、经典分解与 STL 的原理差异，并用 statsmodels 给出可运行示例。核心思想：异常藏在残差里——把趋势和季节剥离干净，残差就是异常检测的"纯净战场"。

本节地图

阅读完本节，你应当能够：

1. 说出分解的三个目的：理解模式、提升预测、简化异常检测。
2. 根据"季节波动幅度是否随趋势变化"判断选加法还是乘法模型。
3. 解释经典分解与 STL 分解在稳健性上的差异。
4. 用 statsmodels 完成一次加法分解与一次 STL 分解。
5. 掌握"基于残差做异常检测"的完整流程。

一、问题与直觉

电商平台的订单量曲线，你越看越困惑。2023 年 1 月到 12 月，订单量从日均 5 万涨到日均 15 万，一路上坡；同时每年 6 月和 11 月有两个明显的大促高峰；某天凌晨订单量突然暴跌到接近零——这到底是不是异常？

如果直接拿原始曲线判断，你根本没法回答。因为"暴跌"这个现象里混着三个信号：整体在涨（趋势）、大促有峰（季节）、凌晨本来就低（日内规律）。那个"接近零"的时刻，可能只是正常的凌晨低谷被趋势放大后显得突兀，也可能是一次真故障。

分解的存在，就是为了把这个问题拆干净。 把趋势剥离后，"凌晨接近零"可能只是趋势的一部分；把季节剥离后，再看剩下的残差——如果残差里出现了一个远超正常波动的点，那才是真正的异常。

这就是全书反复出现的那句话的来历：异常藏在残差里。 检测残差比检测原始值简单得多，因为残差已经去掉了所有"可解释的规律"，剩下的理论上只有噪声和异常。

二、核心原理

2.1 三个成分各管什么

• 趋势 T(t)：长期整体方向。可以是线性（每年稳增 5%），也可以非线性（指数增长）。它代表序列"基本面"。
• 季节性 S(t)：固定周期内的重复模式。零售的圣诞高峰、电力的昼夜起伏、交通的早晚高峰，都是季节。
• 残差 R(t)：剥离前两者后剩下的部分，也叫不规则成分。理想情况下是均值为零的白噪声——但一旦出现显著偏离，那就是异常的信号。

三者叠加成原始序列，叠加方式有两种，对应两种模型。

图：分解把"规律"和"异常"分家

2.2 加法模型 vs 乘法模型

加法模型：Y(t) = T(t) + S(t) + R(t)。季节性波动的幅度是绝对量、不随趋势变化。比如每月销售额的季节波动就是"±100 万"，不管基线是 1000 万还是 5000 万。

乘法模型：Y(t) = T(t) × S(t) × R(t)。季节性波动的幅度是相对量、随趋势放大。比如季节因子是"×1.3"，基线 1000 万时波动 300 万，基线 5000 万时波动 1500 万。

选哪个？看数据：如果季节波动幅度基本恒定，选加法；如果波动幅度随整体水平升高而变大（高的时候抖得厉害），选乘法。 判断方法很朴素：把序列画出来，看"高峰期的抖动幅度"和"低谷期的抖动幅度"是否差很多。很多实践者会两个模型都跑一遍，选残差更接近白噪声的那个。

2.3 经典分解：简单但娇气

经典分解的思路很直白：用移动平均估趋势（窗口大小等于季节周期，如月数据用 12 个月窗口）；原值减趋势得到"季节+残差"；再按季节周期逐位平均出季节成分；最后原值减趋势减季节得到残差。

三个局限决定了它只能当"入门级工具"：对异常值极敏感（一个离群点会污染整段移动平均）、要求季节周期固定、无法处理季节成分随时间缓慢变化的情况。

2.4 STL 分解：更稳健的主力

STL（Seasonal-Trend decomposition using Loess）用局部加权回归代替简单移动平均来估计趋势与季节成分，带来三个质的提升：

• 对异常值稳健：Loess 回归的局部加权特性让少数离群点的影响被限制在局部，不会污染整条曲线。
• 季节成分可以随时间缓慢变化：现实世界里"圣诞节效应一年比一年弱"这类渐变，STL 能捕捉。
• 更灵活：支持任意周期、可调平滑参数。

这也是为什么在异常检测流水线里，STL 几乎成了默认选项——检测系统的输入容不得"预处理本身被异常干扰"，而 STL 恰好能做到。

2.4 常用分解方法对比

2.5 用 statsmodels 跑起来

import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose, STL

# 构造 24 个月的示例序列
data = [10,12,15,13,16,18,20,19,22,24,26,25,
        12,14,17,15,18,20,22,21,24,26,28,27]
index = pd.date_range('2023-01-01', periods=24, freq='M')
series = pd.Series(data, index=index)

# 加法分解
decomp = seasonal_decompose(series, model='additive')
trend = decomp.trend
seasonal = decomp.seasonal
residual = decomp.resid

# STL 分解（seasonal 参数指定周期）
stl = STL(series, seasonal=13)
res = stl.fit()
​

分解后，把四个子图（原序列、趋势、季节、残差）画出来，你一眼就能看到残差里哪些点"跳出"了白噪声的带子——它们就是候选异常。

三、工程实践要点

3.1 基于残差的异常检测流程

这是最标准的做法，四步：

1. 分解，得到残差序列。
2. 对残差做平稳性检验（残差理论上应近似平稳）。
3. 用 Z-score、IQR 或分位数阈值在残差上找异常。
4. 把异常映射回原始时间点，结合业务确认。

关键在于：残差的"正常范围"是相对稳定的，因为趋势和季节都被剥掉了。一个在原始序列里根本不起眼的"比同时段高 20%"，在残差里可能已经越过 3 倍标准差——这才是检测该用的信号。

3.2 分解的常见坑

坑一：分解本身被异常污染。 经典分解对异常敏感，一个真实故障点会扭曲整段趋势估计，导致后续残差检测反而漏掉它。对策：先用稳健方法（STL）或先做一次粗筛，把明显异常值临时标记。

坑二：周期选错。 seasonal 参数填错（比如把 12 个月的数据填成 13）会产出假的季节成分，残差里全是"伪异常"。先用 ACF 或周期图确认真实周期。

坑三：数据不够长。 分解至少要 2–3 个完整季节周期，否则季节成分估计不稳。数据短就别硬分解，退回差分或直接检测。

⚠️ 常见坑：分解后直接对"趋势成分"做异常检测。 趋势本身是慢变量，拿它对突刺敏感度极低；反过来，残差里偶尔的大波动才是异常主场。别把注意力放在错误的分量上。

💡 关键直觉：分解的价值是"给异常做背景校正"。 同一个"订单量 8 万"，在 5 月是正常高峰，在 3 月可能就是异常。分解 + 残差检测，本质是让系统自动学会"同时段该有的水平"，这比任何手工规则都更适应数据漂移。

3.3 分解产物的复用

分解不只是为了检测。趋势成分可用于预测建模，季节成分可直接作为特征（第 2.4 节），残差可作为第 4 章统计检测、第 6 章深度检测的输入。一套分解，多处复用——这也是为什么值得把分解做得扎实。

3.4 加法与乘法模型的一个实例对照

假设某奶茶店月销售额，去年月均 8 万，季节波动约 ±2 万；今年生意翻倍，月均 16 万。如果季节波动还是"±2 万"，那是加法模型——波动是绝对值，不随生意规模变化；如果季节波动变成"±4 万"（销售额越大，淡旺季差得越多），那是乘法模型——波动按比例放大。判断方法就一句：把序列画出来，看"高峰期的抖动幅度"和"低谷期的抖动幅度"是否差很多。 差得多，乘法；差不多，加法。实在判断不了，两个模型都跑一遍，比较残差哪个更接近白噪声——残差更"干净"的那个，就是更适合的。

3.5 分解与去噪、检测的完整衔接

把本章前两节串起来，一条标准流水线是：清洗缺失 → 平滑去噪（压噪声）→ 分解（剥趋势季节）→ 残差检测（抓异常）。 注意去噪和分解的分工：去噪处理的是"高频毛刺"，分解处理的是"低频结构"，两者作用于不同频带，不冲突。一个常见误区是"去噪去得够狠，就不用分解了"——事实正好相反：去噪再狠也剥不掉趋势和季节，而趋势季节正是让固定阈值失灵的主因。只有分解能回答"这个值在此时段算不算异常"，去噪做不到。

还有一个常被忽略的实践细节：分解前先做一次"粗异常筛查"，把明显离群点临时标记，能显著提升分解质量。 原因在于，一个孤立的巨大尖峰如果在移动平均或 Loess 拟合窗口内，会把整段趋势/季节估计往它那边"拽"一下，导致分解结果失真。做法很简单：先用 Z-score 粗筛一遍，把明显异常点的值临时替换成插值或直接用稳健方法（STL 天然抗一点），分解完成后再把真实值放回去做检测。这条"先筛后分解"的顺序，能让分解结果更接近真实结构，让残差检测更可信。

实战问答

问：分解一定要用 STL 吗？

不一定。经典分解简单快，但怕异常值；STL 稳健但计算稍重。检测流水线推荐 STL——因为"预处理本身不能被异常干扰"这条纪律，STL 的稳健性正好满足。数据简单、对精度要求不高时，经典分解也够用。

问：残差总是不像白噪声，说明什么？

说明分解没剥干净，可能原因有三个：周期参数填错、数据长度不足（少于 2–3 个完整周期）、或者序列里还有趋势的残余。先查这三个，别急着换检测方法。

问：多变量时间序列能分解吗？

标准分解（STL 等）针对单变量。多变量一般先逐通道分解，或用 PCA/矩阵分解处理通道间的关系。逐通道分解 + 残差拼接是最简单可行的做法。

问：分解后异常检测的"正常范围"怎么定？

对残差用 Z-score 或分位数：残差均值 ± k×标准差（k 取 2–3），或取残差分布的 95/99 分位。残差理论上已平稳，这个"正常范围"是相对稳定的——这正是分解给检测带来的最大红利。

温故知新

• 分解目的：理解模式、提升预测、简化异常检测；核心思想是"异常藏在残差里"。
• 加法 vs 乘法：季节波动幅度恒定选加法，随趋势放大选乘法；高时抖得厉害是乘法的信号。
• 经典分解简单但娇气——对异常敏感、要求周期固定；STL 用局部加权回归，稳健且允许季节渐变，是检测流水线的默认选择。
• 标准流程：分解 → 残差平稳性检验 → 残差阈值检测 → 映射回原始时间点。
• 常见坑：分解被异常污染、周期填错、数据长度不足——都会制造伪异常。
• 一套分解多处复用：趋势给预测、季节当特征、残差做检测。

下一节进入特征工程——分解出残差后，怎么把一段段序列变成模型能吃的特征矩阵？滞后特征、统计特征、时域/频域特征，加上特征选择，本节一次讲透。