时间序列分解：从噪声中提取有效信号

时间序列数据里，趋势、周期和随机波动经常是混在一起的。

直接看原始曲线，很容易被短期波动带偏，比如把一次促销当成长期增长，或者把季节性回落当成业务衰退。

时间序列分解要解决的就是这个问题，把一条看起来乱七八糟的曲线拆成几个更有解释性的部分，让我们分别看：

• 长期方向
• 重复周期
• 剩下的随机噪声。

本文的目的不是讲一堆公式，而是把时间序列分解这件事讲清楚，并用 Python 和 matplotlib 一步一步演示怎么把有效信号从噪声里拆出来。

希望能讲清楚趋势 、季节性 、残差 分别是什么，知道加法分解和乘法分解怎么选，也能自己跑一遍 seasonal_decompose 并看懂输出图。

1. 为什么要拆开看

时间序列和普通表格数据不太一样，它有时间顺序，当前值往往和过去值有关系。

很多时间序列还会同时受到几种力量影响：整体在缓慢上升或下降，某些月份或星期有固定规律，另外还有一堆随机因素在干扰。

如果直接拿原始序列去建模，模型很可能把季节性波动当成趋势的一部分，或者把噪声当成真实信号。

分解的核心思路很直接：假设原始序列由几个部分叠加或相乘而成，那我们就把它们拆出来。

拆开之后，趋势可以看长期方向，季节性可以看周期规律，残差可以看异常和随机波动。

这样再去做预测、异常检测或者业务判断，会更有依据。

下面这个图，我构建了一个测试数据，直观的演示拆开看与不拆开看的区别。

2. 时间序列分解到底在拆什么

最常见的时间序列分解会把序列拆成三部分：趋势 、季节性 和残差。

用公式写就是： Y_t = T_t + S_t + R_t

这里的 Y_t 是原始时间序列， T_t 是趋势项， S_t 是季节项， R_t 是残差项。

这个公式是加法模型，意思是几部分直接相加。

趋势项代表长期方向。它不关心某个月突然涨了还是跌了，而是看整体是在上升、下降还是基本平稳。

季节性代表固定周期内重复出现的模式。比如月度数据里，每年夏天或每年年底都有类似变化，这种重复规律就是季节性。

残差则是去掉趋势和季节性之后剩下的部分，通常被叫做噪声。但残差并不是完全没用的东西，很多异常点、突发事件、模型没捕捉到的结构，都会留在残差里。

所以时间序列分解不是单纯为了把数据变好看，而是为了把不同来源的变化分开，让我们知道当前波动到底来自长期趋势、固定周期，还是随机干扰。

3. 加法还是乘法

刚才的公式是加法模型。它假设季节性波动的幅度基本稳定，不随趋势水平变化。

比如不管销售额是 500 还是 1000，季节性上下波动的绝对值都差不多，那就适合加法分解。

另一种常见模型是乘法模型：

Y_t = T_t \\times S_t \\times R_t

乘法模型假设各部分是相互影响的，季节性波动的幅度会随着趋势水平成比例变化。

比如销售额越高，季节性波动也越大，旺季更旺、淡季也更明显，这种情况用乘法模型更合适。

实际判断时，可以看原始序列的波动幅度是不是随着整体水平一起变大。

如果是，优先考虑乘法；如果波动幅度比较稳定，用加法。

还有一种常见做法是先对数据取对数，把乘法关系转成加法关系，再做加法分解。

4. 代码实战

下面进入实战。这里我们生成一组可控的月度销售数据，方便验证分解结果。

数据里包含三个部分：线性上升的趋势、按月份重复的季节性，以及随机噪声。

这样做的好处是，我们提前知道信号长什么样，拆完之后更容易判断分解是否合理。

后面的代码是接着一步步运行的，不是一次性全部跑完。每跑完一小段，我们就先看一眼当前拆出来的东西。

4.1 先把原始序列画出来

先导入库，生成数据，然后只看原始序列。这个阶段趋势、季节性、噪声全都混在一起。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose

# 设置中文字体，避免图中中文乱码
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Arial Unicode MS"]
plt.rcParams["axes.unicode_minus"] = False

np.random.seed(42)

date_range = pd.date_range(start="2015-01-01", periods=120, freq="MS")
t = np.arange(len(date_range))

# 真实趋势：整体从 200 左右上升到 1000 左右
trend = 200 + 6.7 * t

# 真实季节性：按月份重复的正弦波动
seasonality = 100 * np.sin(2 * np.pi * (date_range.month / 12))

# 随机噪声：均值为 0、标准差为 50
noise = np.random.normal(0, 50, len(date_range))

# 原始序列 = 趋势 + 季节性 + 噪声
sales = trend + seasonality + noise

data = pd.DataFrame({"Sales": sales}, index=date_range)

plt.figure(figsize=(12, 4))
plt.plot(data["Sales"])
plt.title("原始序列：趋势、季节性和噪声混在一起")
plt.xlabel("日期")
plt.ylabel("销售额")
plt.tight_layout()
plt.show()

运行后你会看到一条整体向上、同时带有周期性起伏的曲线。

它确实有规律，但长期趋势和季节波动叠在一起，直接看不方便。

4.2 提取趋势项

接下来执行分解，但先只把趋势项拿出来看。

seasonal_decompose 会一次性算好趋势、季节性和残差，我们这里先取 decomposition.trend，对应趋势项。

decomposition = seasonal_decompose(
    data["Sales"],
    model="additive",
    period=12
)

data["Trend"] = decomposition.trend

plt.figure(figsize=(12, 4))
plt.plot(data["Sales"], label="原始序列", alpha=0.6)
plt.plot(data["Trend"], label="趋势项", color="orange", linewidth=2)
plt.legend()
plt.title("原始序列 vs 趋势项")
plt.xlabel("日期")
plt.ylabel("销售额")
plt.tight_layout()
plt.show()

运行后，橙色趋势线会比原始序列平滑很多，它基本沿着长期上升方向走。

趋势项首尾会有一点缺失值，这是 seasonal_decompose 用居中移动平均估计趋势时的正常现象。

到这里，长期信号先从原始序列里露出来了。

4.3 提取季节项

趋势拿走之后，剩下的应该主要是周期波动和噪声。现在把季节项取出来，对应 decomposition.seasonal。

data["Seasonal"] = decomposition.seasonal

plt.figure(figsize=(12, 4))
plt.plot(data["Seasonal"], color="green")
plt.title("季节项：按 12 个月重复的规律")
plt.xlabel("日期")
plt.ylabel("季节波动")
plt.tight_layout()
plt.show()

运行后，季节项会按 12 个月重复同样的模式。它不再有长期上升或下降，只剩下固定周期规律。

为了更直观地看它有没有抓准周期，可以再把"原始序列减趋势"的结果和季节项放在一起：

detrended = data["Sales"] - data["Trend"]

plt.figure(figsize=(12, 4))
plt.plot(detrended, label="原始序列减趋势", alpha=0.6)
plt.plot(data["Seasonal"], label="季节项", color="green")
plt.legend()
plt.title("去趋势后的波动 vs 季节项")
plt.xlabel("日期")
plt.ylabel("波动")
plt.tight_layout()
plt.show()

运行后你会发现，去趋势后的波动和绿色季节项基本对齐。这说明季节项已经把固定周期那部分抓出来了。

4.4 提取残差项

趋势和季节性都拿掉之后，剩下的就是残差，对应 decomposition.resid。

这部分可以理解成随机噪声，也可以用来找异常点。

data["Residual"] = decomposition.resid

plt.figure(figsize=(12, 4))
plt.plot(data["Residual"], color="red")
plt.title("残差项：去掉趋势和季节性后剩下的部分")
plt.xlabel("日期")
plt.ylabel("残差")
plt.tight_layout()
plt.show()

运行后，残差应该围绕 0 上下波动，没有明显上升趋势，也没有固定周期。

如果残差里还能看出规律，通常说明周期设错了，或者模型选得不太合适。

如果某个点特别大，那可能就是异常值。

4.5 把拆出来的部分汇总到一张图

前面是分步看，最后再把原始序列、趋势、季节性、残差放到一张四联图里，方便整体对比。

fig, axes = plt.subplots(4, 1, figsize=(12, 10), sharex=True)

axes[0].plot(data["Sales"])
axes[0].set_title("原始序列")
axes[0].set_ylabel("销售额")

axes[1].plot(data["Trend"], color="orange")
axes[1].set_title("趋势项")
axes[1].set_ylabel("趋势")

axes[2].plot(data["Seasonal"], color="green")
axes[2].set_title("季节项")
axes[2].set_ylabel("季节性")

axes[3].plot(data["Residual"], color="red")
axes[3].set_title("残差项")
axes[3].set_ylabel("残差")
axes[3].set_xlabel("日期")

plt.tight_layout()
plt.show()

这张图就是时间序列分解的标准输出。

• 第一张是原始信号
• 第二张是长期趋势
• 第三张是固定周期
• 第四张是剩余噪声

到这一步，原始序列已经被拆成了几个更有解释性的部分。

5. 怎么读分解结果

分解完成之后，最重要的不是图好不好看，而是每一部分能不能解释得通。

趋势项回答的是"长期往哪走"。如果趋势持续上升，说明整体需求或业务规模在增长；如果趋势走平甚至下降，就要进一步看是周期问题还是结构问题。

季节项回答的是"固定周期内怎么重复"。它可以帮助做季节性调整。

比如把原始序列减去季节项： Y_t - S_t = T_t + R_t

得到的就是季节调整后的序列。

这个序列去掉了固定周期影响，更适合比较不同月份或季度的真实变化。

残差项回答的是"还有什么没被解释"。残差接近随机噪声，说明趋势和季节性已经把主要结构提取出来了。

如果某些点的残差特别大，可能就是异常值。

实际使用时，可以算残差的标准差，把超过两倍或三倍标准差的点标出来重点检查。

需要强调的是，时间序列分解本身不是预测模型。

它更像一个诊断工具，帮助你理解数据结构。理解清楚之后，再去做 ARIMA、指数平滑 、Prophet 或者机器学习预测，会更有方向。

6. 总结

时间序列分解 说到底就是把原始序列拆成趋势 、季节性 和残差三部分，分别理解长期方向、固定周期和随机波动。

实际用的时候，有几点需要注意：

1. 周期长度一定要设对，月度用 12、季度用 4、周度用 52，这是最基本的
2. 数据最好有两个以上完整周期，否则趋势和季节性的估计会不稳。
3. 缺失值也要先处理，因为 seasonal_decompose 对缺失值比较敏感。
4. 至于加法还是乘法，主要看波动幅度是不是随整体水平一起放大，拿不准就两种都试，比较残差是不是更接近随机噪声。
5. seasonal_decompose 适合入门和快速诊断，数据复杂时可以考虑 STL 或 MSTL。

整体来说，时间序列分解不是预测模型，而是一个诊断工具。它不复杂，但很实用。

把原始曲线拆开之后，很多之前看不明白的波动，就能分清是趋势、周期还是噪声。