Изменения
→Разделение по сезонам + любая модель
T(t) {{---}} компонент трендового цикла<br>
R(t){{---}} остаток<br>
Существуют несколько способов для такого разложения, но наиболее простой называется классическим разложением и заключается в том, чтобы<br>Оценить оценить тренд T(t) через скользящее среднее<br>Посчитать , посчитать S(t), как среднее без тренда <code>Y(t) - T(t) </code> для каждого сезона<br>Посчитать остаток, как <brcode>R(t) = Y(t) - T(t)-S(t)</code><br>
[[Файл:SeasonallyAdjustedIndustrial.png |thumb|left|[https://towardsdatascience.com/an-overview-of-time-series-forecasting-models-a2fa7a358fcb Рисунок 7. Сезонные индексы ряда]]]
Классическое разложение можно расширить несколькими способами.<br>
Расширение позволяет использовать данный метод при:
* непостоянной величине сезона
* посчитать начальные и конечные значение значения декомпозиции
* избежать лишнего сглаживания
Обзор методов разложений ряда можно увидеть по [https://otexts.com/fpp2/decomposition.html ссылке]. Используется реализация из стандартной библиотеки(рис. 6).<br>
Одним из способов использования декомпозиции для прогнозирования будет:<br>
1)разложить обучающий набор алгоритмом из STL.<br>
2)посчитать сезонное отклонение ряда <code>Y(t)-S(t)</code>, используя любую модель для прогнозирования сезоносезонно-чувствительного временного ряда.<br>3)Добавить прогнозам сезонность последнего временного периода во временном ряду(в нашем случае S(t) для прошлого года).<br>
[[Файл:SeasonallyAdjustedTimeSeries.png|right|thumb|[https://towardsdatascience.com/an-overview-of-time-series-forecasting-models-a2fa7a358fcb Рисунок 8. Декомпозиция и наивная модель]]]<br>
На следующем графике показаны сезонные индексы ряда с учётом сезонности (рис. 7):<br>
