关于时序数据是否具有周期的检测方法

[ToNorthX]

@jixinpu hi:
在周期性检测方法中，发现代码：
split_data = np.array(smooth_data).reshape(-1, 24)
该代码目的是对时间序列数据进行分段，但是参数为什么假定是24呢

[jixinpu]

因为我们业务数据是以天为一周期，一小时一个点，所以设置的是24

[ToNorthX]

明白了，但是本文使用了statsmodels工具经进行趋势提取，为什么不采用stl相关的呢。这几种方式对比下来，是不是statsmodels提供的方法更加准确？

[jixinpu]

您所指的stl相关是什么？

[ToNorthX]

    STL就是时间序列分解算法而已。针对时间序列进行趋势周期提取的方法是有多种的，比如说使用
稀疏正则化和非局部季节性过滤的LAD损失的RobustSTL提取趋势等。文中使用的是
seasonal_decompose函数分解。其实现思路就是通过加权滑动平均提取趋势分量，
然后对cycle-subseries每个时间点数据求平均组成周期分量。

   我理解是文中使用该方法提取数据更加准确吗？还是说仅仅由于python已提供对应的方法，使用起来方便吗？
   另外我有个诱惑点：本文采用的是seasonal_decompose的加法模型进行的分解，即 
observed = trend + seasonal + residual。我想问的是， 数据序列分解的时候，是否必须要判断时序数据具有周期性呢？

[ToNorthX]

@jixinpu hi:
我在使用seasonal_decompose函数分解时，报错：
freq T not understood. Please report if you think this is in error.
这个是为什么呢，因为我没有事先判断时间序列是否具有周期，是不是因为这个呢？

[jixinpu]

我在进行周期性提取之前，首先判断它是否具有周期性，使用的是分段dtw方法，具体可以看代码aiopstools/examples/ts_period_predict.py。