如何在R的fable框架下处理年度特定时段日度数据的STL及建模？

问题核心在于：tsibble默认要求规则时间序列（如每日连续无间隙），但你的数据仅包含每年固定65天的花粉季，从全年视角看存在大量隐式间隙，导致STL无法运行。填充全年NA不符合需求，因此需要重新定义序列的规则性，聚焦花粉季内部的连续时序。

方法1：重构索引为「年度内季节日序」 #

将数据转换为按年份分组、花粉季内连续日序的面板序列，每个组内的时序为规则的65天，满足STL的运行要求。

步骤1：添加年度内季节日变量 #

给tsibble添加标记花粉季内第几天的变量，同时提取年份作为分组键：

library(tsibble)
library(dplyr)
library(fable)
library(feasts)

# 处理数据：按年份分组生成花粉季内的日序
dataset_processed <- dataset %>%
  mutate(year = year(Date)) %>%
  group_by(year) %>%
  mutate(day_in_season = row_number()) %>% # 每年花粉季从第1天到第65天
  ungroup() %>%
  # 转换为以year为分组键、day_in_season为索引的tsibble
  as_tsibble(key = year, index = day_in_season)

步骤2：执行STL分解 #

此时每个年份的序列都是连续的65天，无间隙，可正常运行STL：

# 运行STL分解（可根据数据调整season和trend的window参数）
stl_components <- dataset_processed %>%
  model(STL(Metric ~ season(window = 13) + trend(window = 21))) %>%
  components()

# 可视化分解结果
stl_components %>% autoplot()

步骤3：映射回原日期（可选） #

如果需要将分解结果与原日期对应，可合并原数据：

# 合并原日期信息
stl_components_with_date <- stl_components %>%
  left_join(
    dataset %>% mutate(year = year(Date), day_in_season = row_number()),
    by = c("year", "day_in_season")
  ) %>%
  select(Date, year, day_in_season, everything())

方法2：自定义时间频率（跨年度连续季节序列） #

若要将所有花粉季数据视为一个连续序列（每65天为一个年度周期），可自定义tsibble的频率：

# 将所有花粉季数据按时间顺序连续编号，定义每65天为一个周期
dataset_custom_freq <- dataset %>%
  mutate(seasonal_index = row_number()) %>%
  as_tsibble(index = seasonal_index) %>%
  index_by(seasonal_year = floor_date(seasonal_index, "65 days"))

# STL分解，指定季节周期为65
stl_components_custom <- dataset_custom_freq %>%
  model(STL(Metric ~ season(window = 13, period = 65) + trend(window = 21))) %>%
  components()

stl_components_custom %>% autoplot()

后续建模与预测 #

• 气象因子影响测试：将STL分解得到的trend或remainder成分作为因变量，气象数据作为自变量，使用lm()或fable中的ARIMA()等模型建模分析。
• 未来花粉季预测：基于处理后的面板数据，针对每个day_in_season的Metric构建预测模型（如ETS()或ARIMA()），预测未来年份的65天数据后，映射回对应日期即可。

内容的提问来源于stack exchange，提问作者Diego NabaJo