Kas ir STL-dekompozīcija?

STL (Seasonal-Trend decomposition using Loess) ir metode, kas sadala laika rindu trīs galvenajās sastāvdaļās:

• Tendence (Trend) — ilgtermiņa datu tendence.
• Sezonālums (Seasonal) — atkārtojoši cikli vai modeļi, kas saistīti ar periodiskām izmaiņām.
• Rezidūrs (Residual) — troksnis vai nejaušas svārstības, kuras nevar izskaidrot ar tendenci un sezonālumu.

Metode balstās uz Loess vietējo regresiju, kas ļauj elastīgi aptuveni modelēt tendenci un sezonālumu bez stingriem pieņēmumiem par datu formu. Tas ir noderīgi laika rindu analīzē un prognozēšanā, kur ir svarīgi atdalīt sezonālos efektus no kopējās tendences.

Piemērs Python ar statsmodels bibliotēku:

from statsmodels.tsa.seasonal import STL
import pandas as pd

# Pieņemsim, ka ir laika rinda data
stl = STL(data, seasonal=13)
result = stl.fit()

tendence = result.trend
sezonālums = result.seasonal
rezidūrs = result.resid

Šādi STL-dekompozīcija palīdz saprast laika rindu struktūru un uzlabot prognožu kvalitāti.