估计时间序列中的趋势和季节效应
seasonal的Python项目详细描述
稳健地估计和消除时间序列中的趋势和周期性。
季节性可以从噪声中恢复急剧的趋势和周期估计 只有几个周期的TimeSeries数据。它的目的是 初始化结构时估计季节、趋势和级别 像霍尔特·温特斯这样的时间序列模型。输入样本是 假设与具有噪声的连续实值信号等距 没有异常。
季节性估计是指 每个季节的补偿。您可以指定时段长度，或者 根据数据估计。后者是一种有趣的能力 这个包裹。
此程序包中的趋势消除用于隔离和 估计周期（非趋势）变化。低通平滑 从原始序列中删除数据，保留原始序列 季节性变化。破坏是由一个粗糙的 样条曲线，均值或中值滤波器，或拟合线。
有关安装、api、理论和示例的详细信息，请参见https://github.com/welch/seasonal/README.md。
依赖关系
- 套餐：numpy，scipy
- 附加：熊猫，matplotlib
欢迎加入QQ群-->： 979659372
