美林数据
ABOUT US
美林数据技术股份有限公司(简称:美林数据,NEEQ:831546)是国内知名的数据治理和数据分析服务提供商。

美林新闻/NEWS

首页 美林数据 行业资讯

【数据挖掘算法分享】机器学习平台—数据处理算法讲解之季节解构

2022-10-17 18:37:48
季节解构是用于分析有季节变化的机器学习时间序列的处理方法。基本思想是一个时间序列可以来自线性趋势、季节变化和无规则变化等几个方面。季节解构将时间序列通过加法模型或者乘法模型分解为季节项,趋势循环项和无规则项。季节解构要求序列无缺失值或者已经通过合适的方法弥补。(数据量要求:大于等于36行,小于等于1000行)
算法思想
1、长期趋势要素(T):代表时间序列长期的趋势特性。
2、循环要素(C):是以数年为周期的一种周期性变动。
3、季节要素(S):是每年重复出现的循环变动,以12个月或4个季度为周期的周期性影响,由温度、降雨、每年中的假期和政策等因素引起。季节要素和循环要素的区别在于季节变动是固定间距(如季或月)中的自我循环,而循环要素是从一个周期变动到另一个周期,间距比较长且不固定的一种周期性波动。
4、不规则要素(I):又称随机因子、残余变动或噪声,其变动无规则可循,这类因素是由偶然发生的事件引起的,如罢工、意外事故、地震、水灾、恶劣气候、战争、法令更改和预测误差等。
算法整个过程如下:
1)估计初始趋势循环要素:
数据建模算法
2)估计初始季节项:
数据挖掘
3)估计初始趋势循环无规则项:
数据挖掘
4)计算暂定的趋势循环要素:
机器学习平台
5)计算最终的季节因子:
机器学习平台
6)计算最终的趋势循环项:
机器学习建模
7)计算最终的无规则项:
机器学习


数据格式
  • 数值型字段;
参数说明
Tempo机器学习平台
参数 类型 描述
季节调整方法 下拉框 提供加法模型和乘法模型
序列格式 下拉框 提供的属性列所对应的时间维度是月度和季度等格式
序列开始时间 文本框 当序列格式为月度时,指定开始的月份,如2010.01;当序列格式为季度时,指定开始的季度值,如2010.01
结果说明
Tempo机器学习平台
属性列+“_season”为分解出来的季节项;
属性列+“_trend”为分解出来的趋势项;
属性列+“_irregular”为分解出来的随机项;


演示实例
用Tempo机器学习平台构建如下流程:
Tempo机器学习平台
【文件输入】节点配置如下:
Tempo机器学习平台
【季节解构】节点配置如下:
Tempo机器学习平台
流程运行结果如下:
Tempo机器学习平台


服务热线
400-608-2558
咨询热线
15502965860
美林数据
微信扫描二维码,立即在线咨询