想象你是一家冰淇淋店的老板，每个月的营业额记录已经积累了三年。当你盯着这条起伏不定的曲线时，能隐约感觉到：每年夏天销量冲高、冬天跌入谷底，整体生意还在逐年缓慢增长。但具体哪个夏天比往年好？是运气还是努力？这些问题藏在数据里，却很难一眼看穿。 现在，请把你的时间序列想象成一个多层的三明治：最底层是长期趋势（面包片），中间是季节性波动（奶酪层），最上层是随机噪声（芝麻粒）。季节性分解要做的事情，就是像拆三明治一样，把每一层小心地分开——这样你就能单独研究“季节”这个奶酪层，看看它有多厚、何时最厚，从而把周期性规律从混乱的数据中剥离出来。 本文将带你走进季节性分解的世界：从经典分解法到STL分解，从乘法模型到季节性调整，用零售销量、电力负荷等真实场景，帮你掌握这项时间序列分析的核心技能。学会它，你就能在预测之前，先看清数据中隐藏的“年度节奏”。

岗位关联

对于AI从业者来说，季节性分解是特征工程的“解码器”——它把时间序列拆解成趋势、季节和残差，让机器学习模型能更精准地捕捉周期性规律，极大提升预测类任务的上限。

目录
  1. 可视化演示
  2. 时序成分拆解
  3. 经典分解方法
  4. 移动平均平滑
  5. STL分解原理
  6. 季节调整策略
  7. 应用场景分析
  8. 实践注意事项
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示时间序列分解为趋势、季节、残差三成分的过程，经典CMA分解步骤与STL LOESS迭代分解的对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

原始时间序列：趋势+季节+残差叠加 RAW=原始观测值，含周期波动 Y = Trend + Seasonal + Residual 季节周期=6，振幅恒定 Y(t) = T(t) + S(t) + R(t)

时序成分拆解

回到冰淇淋店的场景。你手里的三年销售记录，就像一份没有标注配料的三明治，每一口都混合着面包、奶酪和芝麻。要看清里面的结构，就必须把它拆开。时间序列分析的第一步，正是这种“拆解思维”——把一条复杂的曲线，分离成几个有意义的组成部分。

技术上说，大多数时间序列可以被分解为三个核心成分。第一个是趋势成分，它描述数据长期朝着哪个方向移动——比如你的冰淇淋生意每年增长 10%，这就是面包片。第二个是季节成分，它表示在固定周期内重复出现的波动——比如每年 6 月到 8 月销量冲高，这是奶酪层。第三个是残差成分，也叫噪声，是除去趋势和季节后剩下的随机波动——那些因为天气突变或顾客心情不好导致的销量起伏，就是撒在上面的芝麻粒。

把三明治拆开之后，你就能单独研究每一层了。比如发现“季节层”在夏天特别厚，就可以提前备货迎接旺季——这是分解带给你的第一份礼物：看清数据中哪些是规律、哪些是运气。

Yt=Tt+St+Rt\displaystyle Y_t = T_t + S_t + R_t
这个公式是说：你在第 t 个月观察到的销量，等于当月的长期趋势值，加上该月的季节影响，再加上一些说不清的随机波动。
  1. $Y_t$ 观测值这是你实际记录到的数据，比如 7 月份卖出的 5000 个甜筒。
    Yt\displaystyle Y_t
  2. $T_t$ 趋势值这是去掉季节影响后，销量长期变化的基准线。
    Tt\displaystyle T_t
  3. $S_t$ 季节值这是每个固定周期时段对销量产生的系统影响，7 月为正、1 月为负。
    St\displaystyle S_t
  4. $R_t$ 残差值这是剔除趋势和季节后剩下的零散波动，有正有负，无法用规律解释。
    Rt\displaystyle R_t

经典分解方法

现在你知道了三明治由三层组成，但怎么拆才最科学？有人喜欢把三明治平放，一层层平行切开——这就是加法模型的思路：把三个成分直接相加。但也有一种情况：冬天冰淇淋销量只有夏天的十分之一，季节波动幅度会随着销量水平变化，这时候就该换个切法。

乘法模型适合季节振幅随趋势变化的场景，它假设三个成分是相乘的关系。比如趋势值从 1000 涨到 2000，季节因子 1.5 倍，冬天就变成 3000，夏天还是 3000，这样季节波动会随着生意做大而同步放大。而伪加法模型是个折中方案：当数据里有零值或接近零的值（比如某月冰激凌完全卖不动），乘法模型会崩溃，伪加法能在保留乘法逻辑的同时处理这种边界情况。

选择加法还是乘法，不是靠喜好，而是看数据的“性格”。如果画出曲线后，波动幅度上下一致、不随水平变化，就用加法；如果波动像喇叭口一样越张越大，那就该用乘法。这就像切三明治——平铺还是斜切，取决于三明治的形状。

Yt=Tt×St×Rt\displaystyle Y_t = T_t \times S_t \times R_t
乘法模型是说：销量 = 基准水平 × 季节倍数 × 随机扰动。就像三明治里的奶酪层比例固定，面包大了奶酪也跟着变大。
  1. $T_t$ 趋势基准这是业务的基础规模，随时间缓慢变化。
    Tt\displaystyle T_t
  2. $S_t$ 季节倍数以 1 为中心，旺季大于 1（如 1.5），淡季小于 1（如 0.5）。
    St\displaystyle S_t
  3. $R_t$ 随机乘子在 1 附近浮动，比如 0.98 表示有 2% 的随机下跌。
    Rt\displaystyle R_t
  4. 乘法原理三个分量相乘得到观测值，体现了季节效应随规模放大的特点。
    Yt=Tt×St×Rt\displaystyle Y_t = T_t \times S_t \times R_t

移动平均平滑

确定了切法，接下来要动刀了。但怎么把趋势层完整地揭下来呢？移动平均是最基础也最直观的工具。想象你用手指在一串数字上滑动，每滑到一个位置，就把周围几个数取平均作为该位置的“平滑值”——这就把尖锐的毛刺磨平了，露出了下面缓慢变化的趋势。

移动平均有个关键参数：窗口宽度。窗口越宽，平滑效果越强，但反应越迟钝；窗口越窄，越贴近原始数据，但噪声也越多。通常窗口会取季节周期的长度——比如月度数据有年度周期，就取 12 个月为窗口。中心化处理是为了让平均值的“位置”与原始数据对齐：窗口宽度为奇数时，平均值正好落在窗口中央；如果窗口为偶数（比如 12），就要做两次移动平均，才能让结果对齐到正确的时点。

移动平均是分解的第一步，但它也有自己的代价：削平了季节波峰，同时可能把突发的真实变化也抹平了。所以它只是“粗加工”，后面需要更精细的工具来处理残余的细节。

T^t=1m∑j=−kkYt+j\displaystyle \hat{T}_t = \frac{1}{m}\sum_{j=-k}^{k} Y_{t+j}
这个公式是在说：t 时刻的趋势估计值，等于 t 前后共 m 个观测值的平均数。就像你评估“今年生意怎么样”，会综合考虑前后几个月的表现。
  1. $m$ 窗口总宽度比如 12 个月，这是参与平均的数据个数。
    m\displaystyle m
  2. $k$ 半窗口$m = 2k+1$，前后各取 k 个点。
    k=m−12\displaystyle k = \frac{m-1}{2}
  3. $\hat{T}_t$ 趋势估计对 t 时刻趋势的估计值，是窗口内数据的均值。
    T^t\displaystyle \hat{T}_t
  4. 求和范围从 $t-k$ 到 $t+k$，覆盖完整的窗口范围。
    ∑j=−kk\displaystyle \sum_{j=-k}^{k}

STL分解原理

如果说移动平均是菜刀，那 STL 分解（Seasonal-Trend decomposition using LOESS）就是一套精密的厨具组合。STL 的全称告诉了我们它的武器：LOESS，即局部加权回归。它的思路是：在拟合趋势和季节成分时，不是用一个全局公式，而是在每个数据点附近“就地取材”，用邻近点加权拟合一条小曲线——就像你评价某天生意时，主要参考前后几天的情况，离得远的只给很少的权重。

STL 的内部像一个双层循环的洗衣机。内循环负责交替更新季节成分和趋势成分：先用当前趋势去残差中提取季节，再用去季节后的数据重估趋势，如此反复，让两个成分逐渐收敛到稳定状态。外循环则负责计算“鲁棒权重”：如果某个月的残差特别大——比如一次罢工导致销量暴跌——外循环会调低这个异常点的影响权重，防止它污染整个分解过程。

STL 的强大之处在于三个特性：它能处理任意周期的季节成分（不限于年度），能同时应对趋势突变，还能通过鲁棒权重自动抵抗异常值的干扰。对于你的冰淇淋店，如果某个夏天发生了百年一遇的热浪导致销量异常飙高，STL 会“聪明地”把这次异常视为噪声，而不是把它当成新的常态。

St(k+1)=LOESS(Yt−Tt(k))\displaystyle S_t^{(k+1)} = \text{LOESS}\left(Y_t - T_t^{(k)}\right)
这个公式描述内循环的一个关键步骤：用原始数据减去当前趋势估计，剩下的部分用 LOESS 平滑，得到新一轮的季节成分。
  1. $Y_t - T_t^{(k)}$ 去趋势数据从原始数据中减去第 k 轮的趋势估计，剩下的主要就是季节和噪声。
    Yt−Tt(k)\displaystyle Y_t - T_t^{(k)}
  2. LOESS 平滑对去趋势的数据做局部加权回归，把噪声磨掉，留下干净的季节形态。
    LOESS(⋅)\displaystyle \text{LOESS}(\cdot)
  3. $S_t^{(k+1)}$ 更新季节得到的新季节成分，用于下一轮的迭代。
    St(k+1)\displaystyle S_t^{(k+1)}
  4. 迭代收敛重复这个过程直到成分不再显著变化。
    lim⁡k→∞St(k)\displaystyle \lim_{k\to\infty} S_t^{(k)}

季节调整策略

既然季节成分已经拆出来了，下一步就是“怎么用”。季节调整的核心操作是“去季节化”：把原始数据减去或除以季节成分，剩下的就是趋势和噪声的混合。这就好比把三明治的奶酪层抽掉——剩下的面包和芝麻，才是你想研究的“非季节性规律”。

政府统计局和企业分析师经常用这个技巧，来比较不同月份的经济指标。比如你想知道冰淇淋店今年的“真实增长”：7 月销量比去年增长 5%，但同时要考虑到今年夏天的整体趋势也在涨——去除季节因素后，才能判断 5% 是真实增长还是只是“旺季更旺”。

X-13ARIMA-SEATS 是美国普查局开发的黄金标准工具，它内置了多种模型选择和诊断功能，能自动处理节假日效应、交易日效应等复杂情况。进行季节调整后，数据在月份间的可比性大幅提升——你可以放心地说“这个月比上个月增长了 2%”，而不用担心“因为 12 月本来就是旺季”这种干扰。

Ytadj=Yt−St或Ytadj=YtSt\displaystyle Y_t^{\text{adj}} = Y_t - S_t \quad \text{或} \quad Y_t^{\text{adj}} = \frac{Y_t}{S_t}
去季节化的两种方式：加法模型用减法，乘法模型用除法。目标都是把季节这块奶酪挪走，露出下面真实的业务走向。
  1. $Y_t^{\text{adj}}$ 调整后数据去掉季节影响后的序列，适合做环比比较。
    Ytadj\displaystyle Y_t^{\text{adj}}
  2. 减法式调整适用于加法模型，直接减去季节成分。
    Ytadj=Yt−St\displaystyle Y_t^{\text{adj}} = Y_t - S_t
  3. 除法式调整适用于乘法模型，除以季节因子。
    Ytadj=YtSt\displaystyle Y_t^{\text{adj}} = \frac{Y_t}{S_t}
  4. 结果解读调整后的序列保留趋势和噪声，去除了周期波动。

应用场景分析

季节性分解不是象牙塔里的数学游戏，它在真实世界里是无处不在的“透视镜”。用你的冰淇淋店思维延伸出去，三个典型场景最能说明问题。

零售销量预测是分解方法最经典的舞台。零售商要决定每个月的进货量，如果直接看原始销量，夏天的高峰和冬天的低谷会让决策变得混乱。通过分解出季节成分，管理层能清楚知道“每年 7 月平均比基准高 30%”，提前调配库存和促销资源。电力负荷分析同样依赖季节分解——电网调度员需要预测今天的用电峰值，而夏天开空调、冬天用电暖器带来的季节性负荷变化，必须提前建模。旅游客流预测更是如此：景区管理者要根据旺季淡季来安排工作人员和定价策略。

这些场景的共同点是：数据中都含有一个稳定而复现的周期模式。季节性分解的价值，就是把这个周期模式显式地提取出来，让它变成可量化、可预测、可管理的业务指标。

Y^t+h=T^t+h+S^t+h\displaystyle \hat{Y}_{t+h} = \hat{T}_{t+h} + \hat{S}_{t+h}
预测未来 h 期的值，大多是把趋势外推和季节外推相加：先估计未来的基准水平，再叠加未来那个时点的季节效应。
  1. $\hat{T}_{t+h}$ 趋势预测对未来的长期水平做外推估计。
    T^t+h\displaystyle \hat{T}_{t+h}
  2. $\hat{S}_{t+h}$ 季节预测把历史季节模式延伸到未来，比如明年 7 月依然会有 30% 的季节加成。
    S^t+h\displaystyle \hat{S}_{t+h}
  3. $\hat{Y}_{t+h}$ 最终预测趋势和季节叠加，得到完整的预测值。
    Y^t+h\displaystyle \hat{Y}_{t+h}

实践注意事项

拆三明治看似简单，但实际操作中有几个坑必须绕过。第一个坑是周期长度的确定。如果你错误地假设月度数据有 6 个月的周期，而实际是 12 个月，分解出的“季节成分”就是一堆噪音。确定周期要结合业务背景——冰淇淋的销量按自然年循环，电力负荷按天和按年双循环，必须先想清楚“周期到底是什么”。

第二个坑是异常值处理。一个极端的数据点——比如疫情期间的销量归零——如果不加处理，会在移动平均和 LOESS 拟合时产生“拖尾效应”，扭曲附近几个月甚至一整年的成分估计。好在 STL 的鲁棒权重可以缓解，但对于极端异常仍需预先清洗。

第三个坑是数据量要求。分解方法的可靠性取决于数据覆盖了多少个完整周期：至少需要 2-3 个完整周期才能让季节成分稳定。只有一年数据就想提取“季节性”，那等于拿一块三明治的边角料去研究整体结构——注定是徒劳的。

实践中的这些坑，本质上都在提醒我们一件事：分解工具的输出质量，取决于你对业务的理解深度和数据的准备程度。工具只是切三明治的刀，但你知道三明治里该有什么、不该有什么，才能切得又准又稳。

如果 n<2×f，季节成分不可靠\displaystyle \text{如果 } n < 2 \times f \text{，季节成分不可靠}
这是经验法则：数据长度 n 至少要有两个完整周期 f，否则季节分解的结果不值得信任。
  1. $n$ 数据长度观测点总数，比如 24 个月的记录。
    n\displaystyle n
  2. $f$ 周期长度一个完整季节周期的长度，比如 12 个月。
    f\displaystyle f
  3. $2 \times f$ 最小需求至少两个周期才有足够样本估计稳定的季节形态。
    2×f\displaystyle 2 \times f
  4. 可靠性判断不满足条件时，分解结果仅供参考，不能作为预测依据。
    不可靠\displaystyle \text{不可靠}

AI 应用场景

电商平台的智能库存管理

阶段：数据预处理与特征工程

解决的问题：电商运营团队面临的最大挑战之一是如何预测不同品类的销量以便备货。传统的库存管理依赖采购员的经验判断，难以量化季节性规律。通过季节性分解，AI 系统可以在模型训练前将销量数据拆解为趋势和季节两个特征，让预测模型不再“亲自”学习复杂的年度周期，而是专注于残差中更微小的波动模式。

具体案例：某母婴电商平台积累了 5 年每月奶粉销量数据。数据分析师用 STL 分解后发现，每年 1 月和 9 月有一个明显的销售高峰（对应新生儿出生潮）。他们将季节因子作为特征输入 LightGBM 模型，同时用去季节化的数据训练趋势模型，最终将预测准确率提升了约 18%。

电网负荷预测系统

阶段：特征工程与模型优化

解决的问题：电网调度需要提前数小时乃至数天预测电力负荷，而负荷数据中既包含逐年上升的趋势（经济发展），也包含冬夏两季的周期性高峰（取暖和制冷）。如果直接输入原始序列，模型容易把季节波动误认为异常，导致预测偏差。

具体案例：华东某省级电网采用 X-13ARIMA-SEATS 对历史负荷进行季节调整，提取出受温度影响的“残差成分”，并通过残差与气象变量的相关性分析，构建了一套融合季节分解的 LSTM 负荷预测模型。在夏季极端高温期间，该模型的峰值负荷预测误差控制在 2% 以内。

Python 演示

python60 行
# -*- coding: utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom statsmodels.tsa.seasonal import seasonal_decompose # 生成带趋势和季节的模拟数据np.random.seed(42)n_years = 5months = n_years * 12t = np.arange(months) # 趋势成分: 逐渐增长trend = 50 + 0.8 * t # 季节成分: 12个月周期seasonal = 10 * np.sin(2 * np.pi * t / 12) # 残差成分: 随机噪声noise = np.random.normal(0, 2, months) # 合成观测值(加法模型)y = trend + seasonal + noise # 构建时间序列索引dates = pd.date_range(start='2019-01-01', periods=months, freq='M')ts = pd.Series(y, index=dates, name='icecream_sales') # 执行季节性分解, 周期为12个月result = seasonal_decompose(ts, model='additive', period=12) # 分别提取成分trend_est = result.trendseasonal_est = result.seasonalresid_est = result.resid # 去季节化(季节调整)adjusted = ts - seasonal_est # 打印分解结果摘要print("趋势成分最后6期:")print(trend_est.dropna().tail(6))print("\n季节成分值(对应1月到12月):")print(seasonal_est[seasonal_est.notna()].unique()[:12])print("\n去季节化后最后6期:")print(adjusted.tail(6)) # 可视化(保存到文件)fig, axes = plt.subplots(4, 1, figsize=(10, 8), sharex=True)ts.plot(ax=axes[0], color='#818CF8')axes[0].set_title('原始序列')trend_est.plot(ax=axes[1], color='#10B981')axes[1].set_title('趋势成分')seasonal_est.plot(ax=axes[2], color='#F43F5E')axes[2].set_title('季节成分')resid_est.plot(ax=axes[3], color='#C7D2E4')axes[3].set_title('残差成分')plt.tight_layout()plt.savefig('seasonal_decompose.png', dpi=100)print("图表已保存为 seasonal_decompose.png")
目的：这段代码用 statsmodels 库演示了完整的季节性分解流程——从生成带趋势、季节和噪声的模拟销量数据，到用 seasonal_decompose 函数拆出三个成分，最后进行季节调整并可视化。
  1. ts = pd.Series(y, index=dates, name='icecream_sales')把模拟数据包装成带时间索引的 Series，这是时间序列分析的标准化操作。
  2. result = seasonal_decompose(ts, model='additive', period=12)核心调用，选择加法模型并指定 12 个月的季节周期。
  3. adjusted = ts - seasonal_est去季节化操作，从原始序列中减去季节成分，得到调整后的数据。
  4. print(seasonal_est[seasonal_est.notna()].unique()[:12])展示分解出的 12 个月季节因子，验证它们是否符合预期的正弦模式。

常见误区

误区我以为周期长度可以随便填，比如设置周期为 6 或 24，模型都能自己找到规律。之前在代码里把 period 设为 6，结果分解出来的“季节成分”一团乱麻。

正解周期长度是分解结果的“地基”，设错了整个结构都会塌。就像你要拆三明治，得先知道三明治是两层还是三层。确定周期必须依赖业务知识——月度数据通常看年度周期（12），小时数据可能看日周期（24）和周周期（168）。STL 虽然灵活，但同样需要你传入准确的周期参数。

为何常见：初学者容易把分解方法想象成“全自动”工具，忽略了任何算法都需要先验知识来设定关键超参数。

误区我以为分解出的季节成分就是“每年 7 月比 6 月多卖多少”，直接读季节值就能知道波动幅度。

正解季节成分是每个时点相对于趋势基准的偏移或倍数，它不等于相邻月份的差值。加法模型中季节值是绝对偏移量（比如 7 月 +300），乘法模型中是倍数（比如 1.3 倍），而“7 月比 6 月多卖多少”同时包含了趋势变化和季节变化。要比较环比，应该用季节调整后的数据。

为何常见：把原始序列的差分直觉错误地套用到分解成分上，混淆了“季节偏移”和“相邻变化”两个概念。

误区既然分解出了趋势和季节，那把它们延伸到未来就是预测了！我直接把季节成分周期复制，加上趋势外推，以为这就是完美的预测。

正解分解只是“理解数据”的手段，不是“预测未来”的完整方案。趋势外推可能忽略拐点和外部冲击，季节成分也可能随时间变化（季节漂移）。成熟的预测流程会在分解之后，对残差部分再用 ARIMA、LSTM 等模型建模，把所有成分的预测整合起来。

为何常见：看到分解图时会产生“一切尽在掌握”的错觉，忽略了时间序列预测中不确定性才是常态。

误区STL 有鲁棒权重，是不是意味着我不用清洗数据，异常值扔给它就行？

正解鲁棒权重能降低极端值的影响，但不是万能盾牌。如果异常点过多（比如超过 5%），或者异常值出现在一个完整周期内（如整个 2 月数据缺失），鲁棒机制也会失效。正确做法是先用业务规则或统计方法做数据清洗，再交给分解算法。

为何常见：过度信任算法的自适应能力，忽略了数据质量永远是分析的第一前提。

误区我看很多教程都用加法模型，代码也更简单，所以加法模型是更先进的方法。

正解加法与乘法不是优劣关系，而是适用场景不同。加法模型适合季节波动幅度恒定的数据，乘法适合季节波动随趋势变化的场景。实际中可以使用对数变换，让乘法模型转换为加法模型来处理——这是一种常用技巧，但背后的业务解释完全不同。

为何常见：以代码复杂度而非业务逻辑来评判方法好坏，是初学者常见的认知偏差。

面试题

Q1. 时间序列的三个核心成分中，哪个描述长期发展方向？

单选题 · easy

  • A.季节成分
  • B.趋势成分← 正确答案
  • C.残差成分
  • D.循环成分

答案：B。趋势成分描述数据的长期移动方向，比如业务逐年增长是趋势。季节成分是固定周期波动，残差是随机噪声，循环成分长度不固定比季节周期长。

Q2. 冰淇淋店销量冬天 1000 元、夏天 3000 元，第二年冬天 2000 元、夏天 6000 元，适合用什么分解模型？

单选题 · easy

  • A.加法模型
  • B.乘法模型← 正确答案
  • C.伪加法模型
  • D.随机模型

答案：B。季节波动的绝对幅度从 2000 翻倍到 4000，说明季节影响随趋势放大，这是乘法模型的典型特征。加法模型假设季节波动幅度恒定，不符合此场景。

Q3. 移动平均法中，窗口宽度为 12（偶数）时为什么要做中心化处理？

单选题 · mid

  • A.为了增加计算量
  • B.让平滑值对齐到正确的时点← 正确答案
  • C.为了消除噪声影响
  • D.为了减少数据丢失

答案：B。窗口为偶数时，第一次平均的结果落在两个时点中间，需要再做一次移动平均才能对齐到原始时点。这不是为了消除噪声，而是位置对齐的技术问题。

Q4. STL 分解中，外循环的主要作用是什么？

单选题 · mid

  • A.更新季节成分
  • B.更新趋势成分
  • C.计算鲁棒权重降低异常值影响← 正确答案
  • D.确定周期长度

答案：C。外循环根据本轮残差大小计算每个点的鲁棒权重，残差大的点权重低，这样在下一轮内循环中异常值的影响被抑制。内循环才负责更新季节和趋势成分。

Q5. 去季节化（季节调整）的直接目的是什么？

单选题 · mid

  • A.去除所有噪声
  • B.让不同月份的数据可直接比较← 正确答案
  • C.增加数据量
  • D.让季节成分等于 0

答案：B。去季节化移除了季节性偏移，让 1 月和 7 月的销量在同一基准上比较，从而看出真实的环比变化。并不去除全部噪声，也不改变季节成分本身。

Q6. 关于季节分解的应用场景，哪些说法正确？

多选题 · mid

  • A.零售销量预测中可用于库存规划← 正确答案
  • B.电力负荷分析利用季节性规律预测峰值← 正确答案
  • C.旅游客流预测与季节无关
  • D.金融高频交易数据也有日周期模式← 正确答案

答案：ABD。季节分解广泛用于零售、电力和旅游等领域。旅游受季节影响巨大。金融高频数据存在交易日内的周期波动（日内效应），也可用季节分解思路处理，选项 C 明显错误。

Q7. 某时间序列数据长度为 18 个月，频率为月度，周期设定为 12。对此数据进行季节分解最可能的结果是？

单选题 · hard

  • A.分解非常准确
  • B.季节成分不可靠← 正确答案
  • C.趋势完全无偏
  • D.残差全部为 0

答案：B。18 个月只有 1.5 个完整周期，常见的经验法则是至少 2 个周期才有稳定的季节估计。因此季节成分不可靠，趋势和残差的估计也会不准确。

Q8. 关于加法模型和乘法模型的区别，正确的说法是？

多选题 · hard

  • A.乘法模型假设季节效应随趋势水平变化← 正确答案
  • B.加法模型适合恒定季节波动← 正确答案
  • C.乘法模型可通过对数变换转为加法← 正确答案
  • D.加法模型一定比乘法模型准确

答案：ABC。乘法模型中季节是倍数关系，随趋势放大；加法模型中季节是固定偏移。取对数后乘法关系可转为加法关系，这是常用技巧。模型优劣取决于数据特性而非模型本身，D 错误。

Q9. X-13ARIMA-SEATS 工具的主要用途是？

单选题 · easy

  • A.数据可视化
  • B.季节性调整← 正确答案
  • C.异常检测
  • D.聚类分析

答案：B。X-13ARIMA-SEATS 是美国普查局开发的季节调整黄金标准工具，自动处理节假日效应、交易日效应，输出经过季节调整的数据序列。

Q10. STL 分解相比经典分解法的优势有哪些？

多选题 · hard

  • A.能处理任意周期长度← 正确答案
  • B.应对趋势突变的能力更强← 正确答案
  • C.通过鲁棒权重抵抗异常值← 正确答案
  • D.完全不用设定参数

答案：ABC。STL 的核心优势包括灵活的周期处理、平滑度可控、对突变和异常值鲁棒。但 STL 同样需要设定周期、平滑窗口等参数，并非全自动，D 错误。