如何用R语言fpp3包确定数据集整体的趋势与季节性？

1. 获取逐行的趋势与季节性数值 #

你使用的STL()分解方法已经能输出每个时间点的趋势和季节性数值，components()返回的结果里包含核心列：

• trend：对应每个时间点的趋势值
• seasonal：对应每个时间点的季节性波动值
• season_adjust：去除季节性后的序列（原始值-季节性）
• remainder：分解后的残差项

可以通过以下代码提取并可视化这些成分：

library(tidyverse)
library(fpp3)

# 执行STL分解并提取成分
gas_components <- us_gasoline %>% 
  model(STL(Barrels)) %>% 
  components()

# 查看前6行的成分数据
head(gas_components)

# 可视化原始序列、趋势、去季节性序列
gas_components %>% 
  autoplot(Barrels, colour = "gray", alpha = 0.7) +
  autolayer(trend, colour = "#E63946", linewidth = 1.2) +
  autolayer(season_adjust, colour = "#457B9D", linewidth = 0.8) +
  labs(title = "美国汽油销量的STL分解", y = "桶数", x = "日期") +
  theme_minimal()

2. 确定整个数据集的季节性周期 #

方法1：直接查看时间序列频率 #

us_gasoline是月度时间序列，通过时间索引的频率可直接判断：

# 提取时间列并查看频率（返回12表示月度，即年度周期）
us_gasoline %>% pull(Date) %>% frequency()

返回值为12，说明季节性周期是12个月（年度）。

方法2：从季节性成分图判断 #

观察季节性成分的波动规律，看是否以固定周期重复：

gas_components %>% 
  autoplot(seasonal) +
  labs(title = "汽油销量的季节性成分", y = "季节性波动值", x = "日期") +
  theme_minimal()

从图中能看到每年的波动模式基本一致，验证了年度季节性。

方法3：用ACF图辅助验证 #

自相关函数（ACF）图中，滞后阶数为12、24等处出现显著峰值，说明存在年度季节性：

us_gasoline %>% 
  ACF(Barrels) %>% 
  autoplot() +
  labs(title = "汽油销量的自相关图", x = "滞后阶数") +
  theme_minimal()

3. 处理多个趋势/季节性的情况 #

多个季节性的处理 #

如果数据存在多个季节性周期（比如日度数据有每日、每周、年度季节性），可以使用TBATS模型，它原生支持多季节性分解：

# 示例：对多季节性数据执行TBATS分解（us_gasoline为单季节性，仅作语法演示）
multi_season_components <- us_gasoline %>% 
  model(TBATS(Barrels)) %>% 
  components()

# 查看多季节性成分
multi_season_components

多个趋势阶段的处理 #

如果数据存在趋势突变（比如某时间点后趋势斜率改变），可以通过以下步骤检测并分段计算趋势：

library(segmented)

# 拟合初始线性趋势模型
gas_trend_model <- us_gasoline %>% 
  model(TSLM(Barrels ~ trend())) %>% 
  augment()

# 检测趋势断点（npsi指定断点数量，这里设为1）
seg_fit <- segmented(lm(Barrels ~ .trend, data = gas_trend_model), 
                     seg.Z = ~.trend, npsi = 1)

# 查看断点位置
seg_fit$psi

# 提取分段趋势并可视化
gas_trend_model <- gas_trend_model %>% 
  mutate(segmented_trend = predict(seg_fit))

gas_trend_model %>% 
  autoplot(Barrels, colour = "gray") +
  autolayer(segmented_trend, colour = "#E63946", linewidth = 1.2) +
  labs(title = "汽油销量的分段趋势", y = "桶数") +
  theme_minimal()

内容的提问来源于stack exchange，提问作者Russ Conte