我有两个月的数据集，我每2分钟阅读一次。 statsmodel.tsa.seasonal_decompose方法请求频率的数值。这些数据的数值是什么？在这样的时间序列数据中计算freq的正确方法是什么。
答案 0 :(得分：1)
您需要自己确定季节性的频率。通常这是使用数据集的知识或通过目视检查statsmodels库提供的部分自相关图来完成的： statsmodels - partial autocorrelation
如果数据具有每小时的季节性，您可能会看到显着的部分自相关滞后30（因为在这个小时的前2分钟和最后一小时的前2分钟之间有30个数据点） ）。我假设statsmodels会期望这个值;我假设如果您有月预期数据12，或者如果您有每日数据，则预计每周数据为7等。
听起来你有多个季节性可以考虑通过你的其他帖子判断。您可能会看到与前几个小时，前一天和/或前几周相同的2分钟相对应的显着延迟。这种季节性分解方法被认为是天真的，只能解决其文档中描述的1种季节性问题： Seasonal Decomposition
如果您想继续沿季节性分解路径前进，可以试试facebook最近发布的双季节模型。它专门设计用于与日常数据配合使用，它可以模拟年内和周内的季节性因素。也许它可以适应你的问题。 fbprophet
季节性分解模型的缺点在于它无法捕捉季节如何随时间变化。例如，夏季一周电力需求的特征与冬季大不相同。该方法将确定平均季节性模式并将剩余信息留在残差中。因此，鉴于您的特征因星期几而异（在您的其他帖子中提到），这不会捕捉到它。
如果您想将数据发送给我，我有兴趣看看。根据我的经验，您已经深入到时间序列预测的深层次，并不一定有一个易于使用的现成解决方案。如果您确实提供了，请说明您的目标：