主要内容

趋势分解

查找数据趋势

折叠所有页面

    语法

    LT=趋势分解（A）
    LT = trenddecomp(“ssa”,滞后)
    LT = trenddecomp (___NumSeasonal = n)
    LT = trenddecomp(“stl”,周期)
    [LT，ST，R]=trenddecomp(___)
    D=趋势分解（T）
    D=趋势分解（T，“ssa”，滞后）
    D=趋势分解（T，___NumSeasonal = n)
    D=趋势分解（T，“stl”，周期）

    描述

    实例

    LT=趋势分解(A.)使用奇异谱分析（SSA）发现数据向量中的趋势，该分析假设数据的加性分解A=LT+ST+R．在这种分解,LT是数据中的长期趋势，装货单这种趋势是季节性的还是周期性的R其余部分。LT向量的长度是否与A.．

    当季节趋势的周期未知时，SSA是一种有用的算法。SSA算法假设输入数据是均匀间隔的。

    LT=趋势分解(A.“ssa”，滞后)还使用SSA算法来发现A.并另外指定一个滞后值，该滞后值决定了计算奇异值分解的矩阵的大小，如［1］．更大的值滞后通常会导致更多的趋势分离。

    的价值滞后必须是区间[3]中的标量，N/ 2),N长度是多少A.．如果季节趋势的周期已知，则指定滞后作为时期的倍数。

    LT=趋势分解(___NumSeasonal =N)使用前面语法中的任何输入参数组合，指定要返回的季节性趋势的数量。

    LT=趋势分解(A.“stl”,时期)发现A.使用STL算法，这是一个基于局部加权回归的可加性分解，如[2]. STL需要一个季节趋势周期。当数据只有一个季节性趋势时，请指定时期作为标量值。对于多个季节趋势，指定时期作为一个向量，其元素是每个季节趋势的周期。

    STL算法假定输入数据的间隔是均匀的。

    实例

    [LT,装货单,R]=趋势分解(___)也返回季节趋势和分解的剩余。的长度装货单和R匹配输入向量的长度A.什么时候A.包含多个季节趋势，装货单是一个矩阵，其列包含每个季节的趋势。

    D=趋势分解(T)使用SSA在数据的表或时间表中查找趋势。趋势分解分别对每个表变量进行操作。D是一个表或时间表，其中的变量包含长期趋势、季节趋势和每个变量的余数。趋势分解返回多个季节趋势作为一个变量D，其专栏包含每个季节的趋势。

    D=趋势分解(T“ssa”，滞后)为表格或时间表输入指定SSA滞后值，并将滞后应用于所有表格变量。

    D=趋势分解(T,___NumSeasonal =N)指定对表格或时间表数据使用SSA时的季节趋势数，并将该数应用于每个表格变量。

    实例

    D=趋势分解(T“stl”,时期)使用STL查找具有指定季节性趋势周期的趋势。趋势分解将句点应用于每个表变量。

    例子

    全部折叠

    打开生活的脚本

    使用奇异谱分析计算数据向量的长期趋势。

    创建数据向量A.它包含长期趋势、季节趋势和噪音成分。

    t = (0:20) ';A = 3*sin(t) + t + 0.1*rand(21,1);

    计算长期趋势。绘制数据和长期趋势图。

    LT=趋势分解（A）；绘图（t，A，t，LT）图例(“数据”,“长期”)

    图中包含一个Axis对象。Axis对象包含两个line类型的对象。这些对象表示长期数据。

    打开生活的脚本

    使用奇异谱分析将数据向量分解为长期趋势、两个季节趋势和剩余部分。

    创建数据向量A.这包括一个长期趋势、两个不同时期的季节性趋势和一个噪声分量。

    t=（1:200）；趋势=0.001*（t-100）。^2；周期1=20；周期2=30；季节1=2*sin（2*pi*t/period1）；季节2=0.75*sin（2*pi*t/period2）；噪音=2*（rand（200,1）-0.5；A=趋势+季节1+季节2+噪音；

    使用SSA算法分解数据。绘制数据、趋势和剩余部分。

    [LT，ST，R]=趋势分解（A）；绘图（[A LT，ST，R]）；图例(“数据”,“长期”,“季节性1”,“季节性2”,“余数”)

    图中包含一个Axis对象。Axis对象包含5个line类型的对象。这些对象表示数据、长期、季节1、季节2和剩余。

    打开生活的脚本

    使用STL算法将表中的数据分解为其长期趋势、两个季节趋势和余数。

    创建一个表T的变量数据包含一个长期趋势，两个不同时期的季节性趋势，和一个噪声成分。

    t=（1:200）；趋势=0.001*（t-100）。^2；周期1=20；周期2=30；季节1=2*sin（2*pi*t/period1）；季节2=0.75*sin（2*pi*t/period2）；噪音=2*（rand（200,1）-0.5）；数据=趋势+季节1+季节2+噪音；t=表格（数据）
    T=200×1台数据______ 11.204 11.896 10.722 12.502 11.939 10.646 10.57 10.479 10.527 9.6793 7.1756 7.9505 7.1704 5.6206 5.8256 4.2817⋮

    使用STL算法分解数据。绘制数据、趋势和余数。

    D=趋势分解（T，“stl”, 20 30);D = addvars (D、数据);stackedplot (D)包含(“t”)

    Figure包含一个类型为stackedplot的对象。

    输入参数

    全部折叠

    输入数组，指定为数字向量。

    数据类型：仅有一个的|双

    SSA的滞后值，指定为区间[3]内的数值标量，N/ 2),N是输入数据的长度。值越大滞后通常提供更多的趋势分离。如果周期已知，则指定滞后作为时期的倍数。

    SSA的季节趋势数，指定为大于0的整数。

    STL的周期，指定为数字标量，数字向量，期间标量，或期间向量。当数据有一个季节性趋势时，指定时期作为一个标量。当数据有多个季节性趋势时，指定时期作为一个向量，其元素是每个季节趋势的周期。时期可以有类型期间仅供时间表输入数据。

    表格输入数据，指定为表格或时间表。趋势分解分别对每个表变量进行操作。时间表必须均匀间隔。

    输出参数

    全部折叠

    长期趋势，返回为与输入向量长度相同的向量。

    季节趋势，作为向量或矩阵返回。装货单当数据有一个季节性趋势时为向量，当数据有多个季节性趋势时为矩阵，每列对应一个季节性趋势。中的行数装货单匹配输入向量的长度。

    余数，作为与输入向量长度相同的向量返回。

    趋势，当输入数据是表或时间表时，以表或时间表的形式返回。D包含长期趋势、季节性趋势和分解后的其余部分作为单独的表变量。对于多个季节趋势，得到的变量的列数D与季节性趋势的数量相匹配。

    参考文献

    Golyandina, Nina和Anatoly Zhigljavsky。时间序列的奇异谱分析．SpringerBriefs统计。柏林，海德堡:施普林格柏林，海德堡，2013。https://doi.org/10.1007/978 - 3 - 642 - 34913 - 3。

    克利夫兰，r.b.， W.S.克利夫兰，J.E.麦克雷，和I. Terpenning。STL:基于黄土的季节趋势分解方法官方统计杂志6 (1990): 3–73.

    另见

    |

    介绍了R2021b

    MATLAB的文档

    金宝app

    介绍基于MATLAB的深度学习

    介绍基于MATLAB的深度学习

    下载电子书