在过去的几天里，我对使用statsmodels（Python）的Times系列感到疯狂。我是TS领域的新手，虽然我对各种回归模型有了更好的理解。这是我的问题：
我有一个我固定的时间序列（通过seasonal_decompose或差异）。我还使用ACF和PACF图来计算ARIMA模型的参数p，d和q。我将模型拟合到固定的TS或残差（我从seasonal_decompose得到）。很高兴，我也有一个预测。
但现在我的问题是我的预测也是静止的。我需要一个趋势和季节性周期。假设我有时间t1-t100的数据，我需要从t101-t110预测。对t101-t110的预测是固定的，我不知道如何在趋势线上投影并包括周期。
有人可以解释我如何包含来自seasonal_decompose函数的预测和组件以获得所需的结果。
答案 0 :(得分：0)
就代码而言，您可以使用以下代码查看当季的分解过程向您展示
from statsmodels.tsa.seasonal import seasonal_decompose
series = ...
result = seasonal_decompose(series, model='additive')
print(result.trend)
print(result.seasonal)
print(result.resid)
print(result.observed)
然后，您可以处理残差并像以前一样对其进行建模。
要通过添加趋势+季节性反向工程返回真实数据模式，您需要对趋势（使用移动平均线等）和季节性（使用自动回归等）建模。分解是指导分析的工具，不能解决问题。