使用R的tsfeatures计算STL分解时提示数据不足的问题排查

数据转换方式的合理性 #

你当前的面板数据转ts对象的逻辑有瑕疵，但触发STL分解警告的核心原因是数据量本身：

• STL分解需要至少两个完整的周期数据来估计季节成分，你的每个时间序列只有365天（对应一个年度周期），数据量不足以满足STL的计算要求，因此触发警告。
• 你的ts对象转换中，start=c(2022, 121)的设置会让R将序列识别为从2022年第121天开始的年度频率序列，365个观测值会跨越到2023年，但本质上还是只有一个完整的年度周期，无法满足STL的需求。

如果你的数据确实只有单一年度的日度观测，stl_features本身就不适合计算，或者需要调整参数（但效果有限）。

正确的数据转换方式（针对跨年度日度序列） #

如果后续有跨年度数据，正确转换面板数据为多变量时间序列的方式可以调整为：

library(tsfeatures)
library(dplyr)
library(zoo)

set.seed(25)

# 生成跨两年的日度示例数据
inds <- seq(as.Date("2022-05-01"), as.Date("2024-04-30"), by = "day")
values <- c(rnorm(length(inds), mean = 20, sd = 2), rnorm(length(inds), mean = 200, sd = 20))
products <- rep(c("A","B"), each = length(inds))
df <- data.frame(date = rep(inds,2), products, values)

# 转换为宽格式
df_wide <- df %>% 
  tidyr::pivot_wider(names_from = products, values_from = values) %>%
  arrange(date)

# 基于日期生成标准的多变量时间序列对象
df_mts <- as.ts(zoo(df_wide %>% select(-date), order.by = df_wide$date))
frequency(df_mts) <- 365

# 此时计算stl_features不会触发警告（具备两个完整年度周期）
features <- bind_cols(
  tsfeatures(df_mts, c("acf_features","entropy","lumpiness","flat_spots","crossing_points")),
  tsfeatures(df_mts,"stl_features", s.window = "periodic", robust = TRUE)
)

单一年度数据的替代方案 #

如果只有单一年度的365天数据，可选择以下两种方式：

• 放弃计算stl_features，改用其他不需要季节分解的特征；
• 手动调整STL的s.window参数为更小的值（强制拟合季节成分，结果可靠性较低）：

features <- bind_cols(
  tsfeatures(df_mts, c("acf_features","entropy","lumpiness","flat_spots","crossing_points")),
  tsfeatures(df_mts,"stl_features", s.window = 11, robust = TRUE)
)

内容的提问来源于stack exchange，提问作者TheGoat