调整R中tsclean()敏感度，避免误删时间序列正常周周期数据

在R中我有存储自行车流量传感器数据的时间序列对象，需要移除测量误差导致的异常值（这类异常值可通过目视轻松识别）。但数据同时存在年度和周季节性，干扰了forecast包中tsclean()的处理逻辑。因为要自动化处理约30个时间序列，不想手动操作。

目前的处理代码及问题：

1. 无变换场景 #

library(forecast)

no_outlier <- tsclean(ts_Rachel_HoteldeVille, lambda = NULL)
plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier, col = "red", lwd=2)
title(main = "No transformation")

此场景下tsclean()过于敏感，误删了正常周周期变化的数据——原本只需要移除约9个异常值。

2. Box-Cox变换场景 #

no_outlier_boxcox <- tsclean(ts_Rachel_HoteldeVille, lambda = "auto")
plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier_boxcox, col = "orange", lwd=2)
title(main = "Box Cox applied")

该场景效果有所改善，但仍存在误删非异常值、漏删明显异常值的问题。

请问如何调整tsclean()函数，使其对周周期不那么敏感？

1. 基于STL分解的自定义异常值移除 #

tsclean()底层依赖LOESS平滑，默认逻辑难以适配双季节性（年度+周度）。可以先通过stl()分解时间序列，分离趋势、季节性和残差，仅针对残差做异常值检测，再重构序列：

library(forecast)

# 对双季节性日度序列做STL分解（s.window设为periodic保留稳定季节性，t.window适配年度周期）
stl_decomp <- stl(ts_Rachel_HoteldeVille, s.window = "periodic", t.window = 365)
# 提取残差并计算异常值阈值（3倍标准差为常用临界值）
residuals <- stl_decomp$time.series[, "remainder"]
threshold <- 3 * sd(residuals, na.rm = TRUE)
# 标记异常值位置
outlier_idx <- abs(residuals) > threshold
# 用趋势+季节性成分替换异常值
no_outlier_custom <- ts_Rachel_HoteldeVille
no_outlier_custom[outlier_idx] <- stl_decomp$time.series[, "trend"] + stl_decomp$time.series[, "seasonal"]

# 可视化对比
plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier_custom, col = "green", lwd=2)
title(main = "STL-based Outlier Removal")

这种方法直接跳过tsclean()的自动平滑逻辑，专注于残差的异常检测，避免周季节性波动被误判为异常。

2. 调整tsclean()的平滑窗口参数 #

tsclean()的window.size参数控制LOESS平滑的窗口大小，默认值过小会导致对周度波动过度敏感。可以设置适配年度季节性的较大窗口：

# 针对日度数据，设置窗口大小为年度周期365
no_outlier_large_window <- tsclean(ts_Rachel_HoteldeVille, lambda = "auto", window.size = 365)

plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier_large_window, col = "blue", lwd=2)
title(main = "tsclean with Larger Window")

更大的窗口会让平滑逻辑更关注长期趋势，忽略短期周度波动，减少误判。

3. 用tsoutliers包做精准异常值检测 #

如果tsclean()的逻辑仍不满足需求，可以使用tsoutliers包专门检测时间序列异常值，它支持自定义季节性模型：

library(tsoutliers)
library(forecast)

# 用fourier函数生成年度和周度的季节性成分，作为回归变量传入
xreg <- fourier(ts_Rachel_HoteldeVille, K=c(3,3))
# 检测异常值（AO为加性异常值，LS为水平移位异常值）
model <- tso(ts_Rachel_HoteldeVille, types = c("AO", "LS"), model = "arima", xreg = xreg)
# 获取替换异常值后的序列
no_outlier_tsoutliers <- model$yadj

plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier_tsoutliers, col = "purple", lwd=2)
title(main = "tsoutliers-based Removal")

这种方法明确纳入双季节性成分，让异常值检测逻辑精准区分正常季节性波动和异常值。

内容的提问来源于stack exchange，提问作者GavinMG