Как находить временнЫе паттерны в данных?

Обычно этот вопрос звучит так - Как находить временные паттерны во временных рядах. Я могу адресовать именно 2-ую версию, а не то как собственно вопрос поставлен.

==============================

"Декомпозиция временных рядов" ( Time Series Decomposition in Python )— это метод, который разбивает временной ряд на несколько компонентов, каждый из которых представляет базовую категорию модели, тренд, сезонность и шум. Далее будет показано, как автоматически разложить временной ряд с помощью Python.

Для начала давайте немного поговорим о компонентах временного ряда:

Сезонность (season) : описывает периодический сигнал в вашем временном ряду.

Тенденция(trend): описывает, является ли временной ряд убывающим, постоянным или увеличивающимся с течением времени.

Шум: описывает то, что остается за выделением сезонности и тренда из временного ряда. Другими словами, это изменчивость данных, которую модель не может объяснить.

Для этого примера мы будем использовать данные из "Air Passengers Data from Kaggle."

Выполним seasonDecomposition0.py из https://informatics-ege.blogspot.com/2022/03/time-series-decomposition-in-python.html

В Season_decompose мы должны установить модель. Мы можем установить модель как аддитивную или мультипликативную. Эмпирическое правило для выбора правильной модели заключается в том, чтобы увидеть на нашем графике, являются ли тренд и сезонные изменения относительно постоянными во времени, другими словами, линейными. Если да, то мы выберем аддитивную модель. В противном случае, если тенденция (trend) и сезонные колебания (season) увеличиваются или уменьшаются со временем, мы используем мультипликативную модель.

Обратите внимание: наш индекс здесь имеет месячную периодичность. Если x не имеет частоты, нам нужно установить период. Мы можем получить каждый компонент следующим образом:

Выполним seasonDecomposition1.py из https://informatics-ege.blogspot.com/2022/03/time-series-decomposition-in-python.html

Теперь получаем плоттинг Тренда

Выполним seasonDecomposition2.py из https://informatics-ege.blogspot.com/2022/03/time-series-decomposition-in-python.html

Кроме того, мы можем построить каждый компонент сразу

Выполним seasonDecomposition3.py из https://informatics-ege.blogspot.com/2022/03/time-series-decomposition-in-python.html

Часто при просмотре данных временных рядов сложно вручную выделить тренд или определить сезонность. К счастью, мы можем автоматически разложить временной ряд и получить более четкое представление о компонентах, поскольку анализ тренда проще, если мы удалим сезонность из наших данных, и наоборот.

================================

Добавлено 22.03.22 Смотри также - Обнаружение сезонного разложения Python (Detecting Seasonal Decomposize Python )

Детально смотри https://python-bloggers.com/2021/04/time-series-decomposition-in-python/