多重季节性：同时搞定多个周期

可视化演示

展示时序数据中日、周、年三重周期叠加现象，傅里叶基展开多周期建模方法，以及SARIMA、TBATS、Prophet三种模型对比。切换模式探索不同环节。

多周期识别

走进排练厅，指挥家的第一件事不是翻开总谱，而是闭眼静听——分辨此刻到底有几种乐器在响。鼓点的密集敲击、弦乐的悠长乐句、铜管的宏大铺陈，三者交织成一条完整的声波。时间序列也是一样：日周期是每天重复的“鼓点”（用电高峰、早高峰车流），周周期是每周循环的“主旋律”（周末出游、工作日通勤），年周期则是跨年的“大结构”（冬夏用电差异、年度促销节奏）。

周期可视化是最直接的“听声辨位”。把24小时的数据画成曲线，你会看到早晚两个驼峰；把同一周的7天叠在一起对比，能发现周一与周六形态迥异；把12个月的均值连成线，夏季与冬季的差异一目了然。多层小图叠加在一起，就像把混音轨拆成三条独立音轨，每条声部的主轮廓清晰浮现。

如果肉眼还不够有说服力，就请出自相关函数（ACF）这个“声学仪器”。它测量的是“相隔 k 步的数据有多像”。假设数据存在24小时周期，那么在 lag = 24、48、72 处会依次出现显著峰值，就像你在山谷里大喊，每隔固定秒数听到一次回声。自相关诊断把这些回声的位置和强度量化，帮你确认周期到底存不存在、周期有多长。

识别声部是后续一切的基础。只有明确知道乐团里有日、周、年三种节律，你才能在建模时分别为它们安排专属的“乐手”。多周期识别不是终点，而是指挥家手上的第一份声部清单。

傅里叶基展开

既然听清了三个声部，指挥家要做的下一件事，是把每条旋律翻译成乐谱上的基础音符。任何再复杂的波形，都能由一组简谐波（正弦与余弦）组合出来——这就是傅里叶基展开的哲学：用简单的音符拼出复杂的和弦。

正弦余弦项是乐谱上的基础音符：一个周期的波形被拆成若干对 \(\cos\) 与 \(\sin\) 的组合。谐波频率则像是泛音——基频决定周期长度（例如24小时），倍频则负责刻画周期内部的细微起伏（比如一天里的早、晚双峰）。逼近能力正是傅里叶展开的精髓：K 越大，加入的谐波越多，拟合的曲线越能贴近真实波形，就像把旋律交给更多乐器合奏，声音层次越丰富。

在建模时，我们为每个识别出的周期（日周期 P=24、周周期 P=168）分别生成一组傅里叶特征，把它们作为回归变量喂给模型。这就是多周期显式建模：每个周期都有自己的“声部轨道”，互不干扰，协同奏效。

傅里叶基展开是打通多周期建模的“万能钥匙”。它不挑模型——线性回归、TBATS、Prophet 内部都在用它；也不需要你为每个周期发明新方法，只要把周期长度 P 告诉它，音符就会自动排好。

TBATS模型

有了傅里叶这把钥匙，指挥家还需要一套完整的“排练方法论”。TBATS 就是这样一位严谨的指挥家：它的名字拆开就是五条工作指令——三角函数季节项（Trigonometric）、Box-Cox 变换、ARMA 误差、趋势项（Trend）、季节项（Seasonal）。合起来，它能同时管理多个周期的声部。

模型结构好比总谱的排版：观测值被拆成“季节项之和 + 趋势 + 误差”三大板块。多季节项相加是最关键的动作——日、周、年每个周期各占一行谱，互不干扰，最后直接相加成最终旋律。每个季节项内部，正是用傅里叶三角函数来描述的，所以 TBATS 能处理分数周期和超长周期，而普通 SARIMA 只能硬啃一个整周期。Box-Cox变换像是调音师，先把数据的“音量”（波动幅度）压缩到合适范围，让高处的音不再盖过低处的音。ARMA误差则负责处理那些没被季节项解释干净的“余音”，把残差中的自相关性再捋顺一层。

TBATS 的优雅在于“分工明确”。你不需要手工把日、周、年拆成三份分别建模，它会在一次拟合中同时估计全部声部，并自动决定每个周期需要几个傅里叶谐波。对电力负荷这种“日周双峰 + 年季节”的复杂数据，TBATS 是一员可靠的大将。

Prophet方案

如果说 TBATS 是事无巨细的古典指挥家，那么 Prophet 更像一位深谙大众口味的流行音乐制作人。它由 Facebook 开源，目标很简单：让非专家也能在几分钟内获得靠谱的多周期预测。它的总谱只有三行：趋势、季节、假日。

趋势函数\(g(t)\) 刻画乐曲的整体走向——是平稳推进，还是到某个时间点后突然加速（相当于切分音）。Prophet 内置了分段线性趋势和逻辑斯蒂增长两种可选乐章，自动在数据中寻找“转调点”。季节分解\(s(t)\) 用傅里叶级数分别建模年周期和周周期——年季节用 \(P=365\)，周季节用 \(P=7\)，每天的数据还会自动叠加上日周期。你只需指定“我有哪些周期”，剩下的谐波选择交给它。假日效应\(h(t)\) 是 Prophet 的独门绝技：把节假日当作“临时加演场次”，一个特殊日子对预测的影响独立建模，不会污染常规季节项。例如春节、双十一这些日子，即使不在周/年规律内，也能被单独捕捉到。

Prophet 与 TBATS 的差别，就像流行制作人与古典指挥家的差别：Prophet 更擅长处理“不规律的特殊日子”，而且接口极其简单（两行代码出结果）；TBATS 则在多个严格周期叠加的场景里数学上更精致。选择谁，取决于你的乐曲里有没有“临时加演”。

建模流程

指挥家的方法再厉害，也得按流程排练才能登台。多重季节性建模的完整流程，可以用三个词概括：调音 → 选人 → 彩排。

数据准备是“调音”。首先确定采样频率并统一时区，把缺失值填补好，异常值像走调的音符一样揪出来修正。接着用前面学过的可视化与 ACF 手段识别周期——是只有日周两重，还是日周年三重？这决定了傅里叶特征里要写几组周期 P。模型选择是“选人”。如果你的数据是严格的小时级多周期且不希望太多手工干预，TBATS 是首选；如果你的业务场景里节假日影响巨大、需要快速上线，Prophet 更合适；如果你想完全掌控特征工程、把周期项喂给任意回归模型，那么直接用傅里叶展开 + LightGBM 也是常见做法。评估预测是“彩排与正式演出”：用时间序列交叉验证（滚动预测）来模拟真实上线后的表现，而不是随机打乱数据——时间不可倒流，未来的数据不能偷看。

流程的意义在于让“指挥”变得可复现、可迭代。每一次彩排（评估）暴露的问题——某个声部太响（季节性过拟合）、某个时间点突然跑调（异常值干扰）——都反馈回数据准备或模型选择环节，逐步逼近真实演出效果。

实战应用

当指挥家带着方法论走上真实舞台，会发现每个行业都有自己的“曲目特色”。多重季节性建模的三大经典战场是电力、零售与交通。

电力负荷是含三重周期的标准案例：一天之内早晚双峰由居民用电驱动，一周之内工作日与周末负荷形态迥异，一年之内冬夏因供暖和制冷出现两个年峰。用 Volt 瓦特级数据训练一个 TBATS 或带傅里叶项的模型，把日周年的权重都估计出来，电网调度就能提前 24 小时甚至一周安排发电计划。零售销量的声部更加复杂：日周期来自开门关门流量，周周期来自周末购物潮，年周期来自季节换装和节日备货，外加双十一这类突发事件——这正是 Prophet 假日项大显身手的场景。交通流量则是日周周期的重度叠加者：早晚高峰严格按日循环，工作日与周末的流量模式完全不同，黄金周和春节还会产生年度的迁徙高峰。

在真实项目中，一个合格的多周期模型往往能为业务带来两个直接收益：更准的短期调度（日/周周期）和更稳的长期规划（年周期）。这正是“同时搞定多个周期”的价值所在——不让任何一个声部被埋没。

AI 应用场景

Python 演示

"""多重季节性建模演示：用傅里叶特征拟合并预测多周期时间序列"""import numpy as npfrom sklearn.linear_model import LinearRegression  def make_fourier_features(t, periods, K=3):    """为每个周期生成 K 对 cos/sin 傅里叶特征"""    features = []    for p in periods:        for k in range(1, K + 1):            features.append(np.cos(2 * np.pi * k * t / p))            features.append(np.sin(2 * np.pi * k * t / p))    return np.column_stack(features)  def main():    # 模拟含日(24h)、周(168h)、年(8760h)三周期的时间序列    np.random.seed(42)    n = 8760 * 2  # 两年小时级数据    t = np.arange(n)    periods = [24, 168, 8760]     y = np.zeros(n)    for p in periods:        y += np.sin(2 * np.pi * t / p) + 0.5 * np.cos(4 * np.pi * t / p)    y += np.random.normal(0, 0.15, n)     # 用傅里叶特征训练线性回归    X = make_fourier_features(t, periods, K=3)    model = LinearRegression()    model.fit(X, y)    r2 = model.score(X, y)     # 预测未来30天    t_future = np.arange(n, n + 24 * 30)    X_future = make_fourier_features(t_future, periods, K=3)    y_future = model.predict(X_future)     print(f"训练集 R2 = {r2:.4f}")    print(f"未来 30 天预测均值 = {y_future.mean():.4f}")    print(f"未来 30 天预测峰值 = {y_future.max():.4f}")  if __name__ == "__main__":    main()

1. periods = [24, 168, 8760]声明三个已知周期：日、周、年，每个周期对应一个“声部”。
2. features.append(np.cos(2 * np.pi * k * t / p))为第 k 个谐波生成余弦特征，这是傅里叶基展开的核心。
3. np.column_stack(features)把多个周期的正弦余弦列拼成特征矩阵，喂给回归模型。
4. model.fit(X, y)线性回归自动学习每个谐波的权重 a_k 和 b_k，完成“指挥家”的角色。
5. make_fourier_features(t_future, periods, K=3)用同一套特征生成函数构造未来时段的输入，实现外推预测。

常见误区

面试题