因为最近在做销售预测的一些工作，同时也在Team内做一些小的分享；为了让自己把一些基础概念搞的更清楚，我试着翻译了一些有趣的文章。只是自己练练，哈哈！

读了这篇文章你能得到什么：

1. 你能知道你的手上数据的趋势到底是上升还是下降, 速度（斜率）怎么样

2. 知道怎么开始学数据的季度性（季节系数）

本文来自: Extracting Seasonality and Trend from Data: Decomposition Using R

时间序列分解时间序列分成三个子序列。

译注：看起来很难，实际需要的数学只有加减剩除，如果有人抬杠说这篇需要线性代数，你可以先不理他哈。

理解时序分解

将一个时间序列分解为多个序列

时间序列分解是将时间序列转换为多个不同时间序列的数学过程。原始时间序列通常分为三个组件系列：

• 季节性：以固定时间段重复的模式。

例如，一个网站在周末可能会收到更多的访问; 这会产生季节性(周期)为7天的数据；

也可能是某个电商平台的每天销售数据，那么这样数据的季节性(周期)是 365.25天。

• 趋势：指标的基本趋势。一个日益流行的网站应该显示出一个普遍的趋势；某个电商品类也有有自己的趋势。

• 随机：也称为“噪音”，“不规则”或“余数(remainder)”，这是季节和趋势序列删除后原始时间序列的残差（residuals）；比如911事件对 对美国航空业的影响就是一个噪音，你很难预测他的产生。

使用加法或乘法分解？

为了实现成功的分解，在加法和乘法模型之间进行选择非常重要，这需要分析系列。例如，当时间序列增加时，季节性的大小是否会增加？

澳大利亚啤酒生产 - 季节性变化(方差)看起来不变; 当时间序列值增加时它不会改变。我们应该使用加法模型。

航空公司乘客数量 - 随着时间序列数量的增加，季节性变化(方差)也随之增加。这里我们应该使用乘法模型。

加法模型：时间序列=季节性+趋势+随机

译注：如果时间序列的波峰波谷的差距一直差不多，就用加法模型。

乘法模型：时间序列=趋势*季节性*随机

译注：如果时间序列的波峰波谷的差距随着时间推移而一直加大，就用乘法模型。

循序渐进：时间序列分解

我们将研究R中的decompose()函数。作为分解函数，它将时间序列作为参数，并将其分解为季节性，趋势和随机时间序列。我们将逐步重现R中的decompose()函数以了解它的工作原理。由于两种模式之间存在差异，我们将使用两个示例：澳大利亚啤酒生产（加法）和航空公司乘客数量（乘法）。

译注：如果不懂编程可跳过上面这段话；后面会有一些程序代码，没关系，你只看你能看的懂的文字和图表就可以了。

这一系列文章使用的编程语言是 R, 这是一门在机器学习非常简练的语言！

第1步：导入数据

加法模型

如前所述，加法模型时间序列的一个很好的例子是啤酒生产; 随着时间增加，季节性保持相对恒定。

1
2
3
4
5

install.packages("fpp")
library(fpp)
data(ausbeer)
timeserie_beer = tail(head(ausbeer, 17*4+2),17*4-4)
plot(as.ts(timeserie_beer))

乘法模型

每月的航空公司乘客数字是乘法时间序列的一个很好的例子； 乘客数据越多，观察到的季节性就越大。

1
2
3
4
5

install.packages("Ecdat")
library(Ecdat)
data(AirPassengers)
timeserie_air = AirPassengers
plot(as.ts(timeserie_air))

第2步：检测趋势

为了检测潜在的趋势，我们使用中心移动平均线 来平滑时间序列。要执行分解，使用具有季节性的确切大小的移动窗口非常重要。

译注：这听起来有点难懂，你可以把这个移动窗口想像成一个移动漏斗机器人，它会自己动把漏斗中心两边的数据取平均，然后再放下来！

因此，要分解一个时间序列，我们需要知道季节性周期：每周，每月等…如果您不知道这个数字，可以 使用傅里叶变换检测季节性。

加法模型

澳大利亚啤酒生产明显遵循年度季节性。由于每季度记录一次，每年记录4个数据点，我们使用期数为4的移动平均窗口。

1
2
3
4
5
6

install.packages("forecast")
library(forecast)
trend_beer = ma(timeserie_beer, order = 4, centre = T) #计算移动平均数，期数为4
plot(as.ts(timeserie_beer))
lines(trend_beer)
plot(as.ts(trend_beer))

澳洲啤酒实际产量与趋势（移动平均数）的叠加

澳洲啤酒产量趋势（移动平均数）

乘法模型

这里的过程与添加剂模型相同。航空公司的乘客数季节性看起来也是年度的。但是，它是按月记录的，所以我们选择期数为12的移动平均窗口。

1
2
3
4
5
6

install.packages("forecast")
library(forecast)
trend_air = ma(timeserie_air, order = 12, centre = T) #计算移动平均数，期数为12
plot(as.ts(timeserie_air))
lines(trend_air)
plot(as.ts(trend_air))

澳洲实际空乘数与趋势（移动平均数）的叠加

澳洲空乘数趋势

第3步：去掉趋势信息，得到季节性

从时间序列中去掉先前计算的趋势，让新的时间序列清楚地显示季节性。

加法模型

1
2

detrend_beer = timeserie_beer - trend_beer #实际数据减去趋势
plot(as.ts(detrend_beer)) #画出季度性图

乘法模型

1
2

detrend_air = timeserie_air / trend_air #实际数据除以趋势
plot(as.ts(detrend_air)) #画出季度性图

2017年10月28号的时候，应 AWS 的邀请，我以个人名义做了《云计算上的大数据应用》的分享

主要介绍了一个自己在 AWS Redshift, AWS EMR, AirFlow使用上的一些心得

这是: PPT 的 link

下图是AWS做的海报

做这个分享看起很风光，但是压力还是很大的；平时工作很忙，基本上没有时写PPT。

分享那天早上 4点多又开始写，PPT一直到开始演讲前 1 个小时才写完。

上帝啊，让我每天能亲近你，让我知道你在我生命中的预备。

如果今天我的任务是在职场工作，请给我但以理的心智，能够荣神益人。

如果今天的任务是在家庭中，请给我亚伯拉罕的信心，可以抚育好子女。

如果今天是我生命的最后一天，请让我认真的度过每一分钟，不负主恩，最后安息主怀。

今天的祷告

1）上帝呀你是天地的主，从亘古到永远，你为王；你不但掌管天地，也管理君王的心。

2）求你让我不要只看眼前的困难，而要看到你的应许，因为我知道依靠我自己什么都做不了。

3）人生无论是二十岁、三十岁、四十岁还是一百岁，在你面前都如儿童一般幼稚。

最近工作很忙，每天有很多事情要做，同事们也很帮我。

我每天想在公交车上或是中午休息时做祷告，总是感觉到一块石头在拦着我，让我无法像以前一样进入到祷告中去，我总是会又想起工作上的事情。

在下面，我摘了一些关于 工作的经文

a 箴十 4 手懶的，要受貧窮；手勤的，卻要富足。

a 箴十 5 夏天聚斂的，是智慧之子；收割時沈睡的， 是貽羞之子。

b 箴十 16 義人的勤勞致生；惡人的進項致死（死：原文是罪）。

c 箴十二 11 耕種自己田地的，必得飽食；追隨虛浮的，卻是無知。

c 箴十三 11 不勞而得之財必然消耗；勤勞積蓄的，必見加增。

c 箴廿八 19 耕種自己田地的，必得飽食；追隨虛浮的，足受窮乏。

d 箴十二 24 慇勤人的手必掌權；懶惰的人必服苦。

e 箴廿二 29 你看見辦事慇勤的人嗎？他必站在君王面前，必不站在下賤人面前

上帝啊，我求你让我在工作中能认真工作，但是工作休息时能放下一切，来思想你的话语。

阿门！

BTW, 补一个 http://fcbcmemphis.org/SF/KEEPING%20BUSY%20(Chinese).htm , 以后有空看一下。