黄土时间序列的季节性分解 Seasonal-Trend-Loess（STL）算法将时间序列分解为季节，趋势和残差成分。 该算法使用（ 为原始论文）来平滑循环子序列（例如，下例中所示的CO 2数据中的所有January值）。 从信号中去除季节性之后，对余数进行平滑处理（分多个步骤）以找到趋势。 重复此过程，并可能包括利用Loess的加权最小二乘法基础进行的鲁棒性迭代，以消除异常值的影响。 详细信息在进行了描述。 stl-decomp-4j是可从获得的原始Ratfor / Fortran的Java端口（为；也包含在examples/StlPerfTest/fortran_benchmark ），已扩展为支持局部二次插值。 stl-decomp-4j期望间隔均匀的数据且没有缺失值，类似于原始的Fortran版本（以及和版本，它们都在后台使用原始的Fortran版本）。 查看了解TODO等。

包括matlab和R语言程序

贝叶斯变化点检测与时间序列分解 说明见包内readme文档 一种贝叶斯算法，用于检测变化点并将时间序列分解为趋势、季节性和突变。 时间序列数据的解释受模型选择的影响。不同的模型可以对同一数据的模式、趋势和机制给出不同甚至相互矛盾的估计，这一限制可以通过本软件包中的突变、季节性和趋势（BEAST）的贝叶斯估计得到缓解。BEAST试图通过放弃“单一最佳模型”的概念，并通过贝叶斯模型平均方案将所有竞争模型纳入推理，从而改进时间序列分解。它是一种灵活的工具，可以揭示时间序列观测中的突然变化（即变化点）、周期变化（例如季节性）和非线性趋势。BEAST不仅可以告诉您何时发生更改，还可以量化检测到的更改为真的可能性。它不仅检测分段线性趋势，还检测任意非线性趋势。BEAST适用于遥感、金融、公共卫生、经济、气候科学、生态学和水文学等各种实时序列数据。示例应用包括使用它来确定生态数据中的制度变迁，从卫星图像绘制森林干扰和土地退化地图，检测经济数据中的市场趋势，查明气候数据中的异常和极端事件，以及揭示生物数据中的系统动力学

时间序列分解STL

该软件包为时间序列数据提供了突变、季节性和趋势（称为 BEAST）的贝叶斯估计量。 BEAST 试图通过放弃“单一最佳模型”概念并通过贝叶斯模型平均方案将所有竞争模型纳入推理来改进时间序列分解。 它是一种灵活的工具，可以发现时间序列观测中的突然变化（即变化点）、周期性变化（例如季节性）和非线性趋势。 BEAST 不仅会告诉发生变化的时间，还会量化检测到的变化是真实的可能性。 它不仅检测分段线性趋势，而且检测任意非线性趋势。 有关BEAST的详细信息，请参见Zhao等人。 （2019）[Zhao，K.，Wulder，MA，Hu，T.，Bright，R.，Wu，Q.，Qin，H.，Li，Y.，Toman，E.，Mallick B.，Zhang，X ., & Brown, M. (2019)。 检测卫星时间序列数据中的变化点、趋势和季节性以跟踪突变和非线性动态：贝叶斯集成算法。 环境遥感，2

奇异频谱分析 用于执行奇异频谱分析（SSA）的软件包 简单用法 下面的示例创建了一个具有两个强烈季节性成分的模拟信号。 主要输入函数是analyze(y,L) ，该函数返回趋势和季节成分。 y是要分解的信号， L是要用于内部嵌入的窗口长度。 using SingularSpectrumAnalysis, Plots # generate some data L = 20 # Window length K = 100 N = K * L; # number of datapoints t = 1 : N; # Time vector T = 20 ; # period of main oscillation y

matlab分时代码BEAST：用于变化点检测和时间序列分解的贝叶斯合奏算法 描述 时间序列数据的解释受模型选择的影响。 对于相同的数据，不同的模型可能会给出不同的，甚至是相互矛盾的模式，趋势和机制的估计，此包的突然变化，季节性和趋势（BEAST）的贝叶斯估计器减轻了这一局限。 BEAST试图通过放弃“最佳模型”的概念，并通过贝叶斯模型平均方案将所有竞争模型都包含在推理中来改善时间序列分解。 它是一种灵活的工具，可用于发现时序观察中的突然变化（例如，变化点），周期性变化（例如，季节性）和非线性趋势。 BEAST不仅可以告知何时发生更改，还可以量化检测到的更改真实发生的可能性。 它不仅检测分段线性趋势，而且检测任意非线性趋势。 BEAST适用于各种实值时间序列数据，适用于遥感，经济学，气候科学，生态学和水文学。 示例应用程序包括使用它来识别生态数据中的政权转移，通过卫星图像绘制森林干扰和土地退化图，检测经济数据中的市场趋势，查明气候数据中的异常和极端事件以及揭示生物数据中的系统动态。 有关BEAST的详细信息，请参见。 可以免费使用50天的论文。 参考 Zhao，K.，Wulder，MA

数学建模国赛获奖论文整理，使用时间序列分解做的论文集合，可以系统的学习时间序列分解在数学建模中的应用，非常有用。

完整的时间序列分解Excel求解过程

干货，题库，绝对不亏。 Apsara Clouder大数据技能认证：使用时间序列分解模型预测商品销量