---
title: "趨勢分解（Trend Decomposition）"
slug: trend-decomposition
language: zh-TW
source: https://aiterms.tw/learning/what-is-trend-decomposition
updated_at: 2026-07-04
tags: [時序分析, 資料處理, 統計方法, 模型評估, source:arxiv]
ipas_term: false
type: deep-dive
---

# 趨勢分解 是什麼？

> 將時間序列資料拆解為趨勢、季節性與殘差成分，以揭示其潛在模式。

## 核心概念
趨勢分解是時間序列分析中的一項基礎技術，其核心思想是將一個複雜的時間序列資料拆解成幾個更簡單、更易於理解的組成部分。這些主要成分包括：

1.  **趨勢（Trend）**：表示資料在長期內的整體方向或平滑變化。它反映了資料的持續增長、下降或保持相對穩定的長期模式，通常由經濟成長、技術進步、人口變化等因素驅動。
2.  **季節性（Seasonality）**：指資料中以固定或可預測的週期重複出現的模式。這些週期可以是每日、每週、每月、每季或每年，例如零售業的聖誕節銷售高峰、電力消耗的日間高峰等。季節性模式通常由日曆效應、天氣變化或社會習俗引起。
3.  **循環（Cyclical）**：指資料中非固定週期的波動，通常持續數年。與季節性不同，循環模式的長度和振幅不固定，且通常與經濟週期（如經濟衰退和復甦）相關。在許多分解模型中，循環成分常與趨勢成分合併考慮，或被視為殘差的一部分。
4.  **殘差（Residual / Irregular）**：也稱為不規則成分或隨機成分，表示在趨勢、季節性和循環成分被移除後，時間序列中剩餘的、無法解釋的隨機波動。這些波動通常是不可預測的，可能是由隨機事件、測量誤差或模型未能捕捉的細微變化引起。

趨勢分解模型通常分為兩種主要形式：
*   **加法模型（Additive Model）**：當時間序列的季節性波動幅度相對穩定，不隨趨勢水平的變化而顯著改變時適用。其形式為 `Y(t) = T(t) + S(t) + R(t)`，其中 `Y(t)` 是原始資料，`T(t)` 是趨勢，`S(t)` 是季節性，`R(t)` 是殘差。
*   **乘法模型（Multiplicative Model）**：當時間序列的季節性波動幅度隨趨勢水平的增加而增大時適用。其形式為 `Y(t) = T(t) * S(t) * R(t)`。這種模型可以透過取對數轉換為加法模型：`log(Y(t)) = log(T(t)) + log(S(t)) + log(R(t))`。

## 運作原理
趨勢分解的運作原理是透過一系列統計或演算法步驟，逐步從原始時間序列中分離出各個成分。

1.  **古典分解法（Classical Decomposition）**：這是一種較為簡單直觀的方法，通常基於移動平均。首先，透過計算移動平均來平滑資料，以估計趨勢成分。然後，從原始資料中減去或除以趨勢成分，得到去趨勢後的資料。接著，對去趨勢後的資料計算每個週期（例如每個月）的平均值，以估計季節性成分。最後，從原始資料中移除趨勢和季節性成分，得到殘差。古典分解法簡單易行，但對異常值敏感，且無法處理季節性強度隨時間變化的情況。
2.  **STL 分解（Seasonal-Trend decomposition using Loess）**：STL是一種更穩健且靈活的分解方法。它使用局部加權迴歸（Loess）來估計趨勢和季節性成分，這使得它對異常值具有較好的魯棒性。STL的優勢在於它可以處理任意週期的季節性，並且允許季節性成分隨時間變化。它還提供了兩個參數，可以獨立控制趨勢和季節性平滑的程度，提供了更大的彈性。STL分解的步驟通常是迭代的，透過內循環和外循環逐步精煉趨勢和季節性估計。
3.  **X-13-ARIMA-SEATS**：這是一種由美國人口普查局開發的複雜且廣泛使用的季節性調整軟體。它結合了ARIMA模型和非參數方法，能夠處理複雜的季節性模式、移動假日效應、異常值等。X-13-ARIMA-SEATS不僅提供趨勢、季節性和殘差成分，還能提供季節性調整後的序列，廣泛應用於官方統計數據的發布。
4.  **Prophet模型（Facebook Prophet）**：雖然Prophet主要是一個預測模型，但其內部也採用了加法分解的思想。它將時間序列分解為趨勢（使用分段線性或邏輯迴歸）、多重季節性（使用傅立葉級數）和假日效應。Prophet的優勢在於其自動化程度高，易於使用，並且能夠處理資料缺失和異常值，非常適合具有強季節性和假日效應的商業時間序列資料。

## 實際應用
趨勢分解在多個領域都有重要的實際應用，它不僅幫助理解資料，也為後續的分析和決策提供基礎：

1.  **時間序列預測**：這是趨勢分解最直接的應用之一。透過將時間序列分解為趨勢、季節性和殘差，可以對每個成分獨立建模和預測。例如，趨勢可以使用線性迴歸或平滑方法預測，季節性可以透過重複歷史模式來預測，而殘差則可以建模為白噪音或低階ARIMA過程。最後將各成分的預測結果重新組合，得到最終的預測。這種方法通常比直接預測原始序列更準確，因為它簡化了預測任務。
2.  **異常偵測**：趨勢分解可以顯著提高異常偵測的效率和準確性。在移除趨勢和季節性成分後，剩餘的殘差序列應該是隨機波動的。如果殘差序列中出現顯著偏離正常範圍的值，這些點很可能就是異常值。透過分析殘差，可以更容易地識別出那些不符合預期模式的事件，例如銷售額的突然暴跌或網站流量的異常激增，這些可能預示著潛在的問題或機會。
3.  **理解資料的潛在動態**：趨勢分解提供了一個清晰的框架來理解時間序列資料的內在結構。例如，分析師可以透過觀察趨勢成分來判斷產品生命週期階段或經濟發展方向；透過觀察季節性成分來了解產品的季節性需求模式或服務的週期性使用高峰。這種深入的理解有助於制定更有效的商業策略、市場行銷活動或資源配置計劃。
4.  **資料清理與季節性調整**：在許多經濟和社會統計數據中，為了更好地比較不同時期的數據或分析潛在的經濟趨勢，通常需要進行季節性調整。趨勢分解正是實現季節性調整的關鍵工具，它將原始序列中的季節性成分移除，生成一個季節性調整後的序列。這使得分析師可以專注於趨勢和循環成分，避免季節性波動對分析結果的干擾。
5.  **政策制定與商業策略**：政府機構利用趨勢分解來分析經濟指標（如GDP、失業率）的潛在趨勢，以制定宏觀經濟政策。企業則利用它來分析銷售數據、客戶行為或市場趨勢，從而調整生產計劃、庫存水平或行銷策略，以應對市場變化並優化營運效率。

## 常見誤區
儘管趨勢分解是一種強大的工具，但在應用時也存在一些常見的誤區：

1.  **選擇錯誤的模型類型（加法 vs. 乘法）**：未能正確判斷時間序列是加法模型還是乘法模型是常見的錯誤。如果季節性波動的幅度隨趨勢水平的增加而增大，卻使用了加法模型，會導致季節性成分的估計不準確，進而影響趨勢和殘差的分析。反之亦然。通常可以透過視覺化檢查原始序列圖來判斷，如果波動幅度隨水平變化，則傾向於乘法模型，否則為加法模型。對數轉換是將乘法模型轉化為加法模型的常用方法。
2.  **對異常值的敏感性**：許多趨勢分解方法，特別是基於移動平均的古典分解法，對時間序列中的異常值非常敏感。異常值可能會扭曲趨勢和季節性成分的估計，導致分解結果不準確。在使用這些方法之前，通常需要對資料進行異常值檢測和處理，或者選擇對異常值具有魯棒性的方法，如STL分解。
3.  **週期性長度設定不當**：在進行季節性分解時，正確設定季節性週期（例如12個月代表年度季節性，24小時代表日季節性）至關重要。如果週期設定不正確，季節性成分將無法被有效識別，或者會將非季節性波動誤認為季節性。這通常需要領域知識或透過自動相關函數（ACF）圖來輔助判斷。
4.  **無法處理多重季節性**：有些時間序列可能同時存在多個季節性週期，例如日銷售數據可能同時有每日（24小時）和每週（7天）的季節性。傳統的分解方法可能難以同時處理這些多重季節性。這需要使用更先進的方法，如TBATS模型或Prophet模型，這些模型能夠顯式地建模多重季節性。
5.  **過度平滑化或平滑不足**：在估計趨勢和季節性成分時，平滑參數的選擇非常關鍵。過度平滑會導致趨勢成分過於平坦，無法捕捉到資料中的真實變化；而平滑不足則會使趨勢成分過於波動，將一些隨機噪音誤認為是趨勢。選擇合適的平滑程度需要經驗和對資料特性的理解，有時可以透過交叉驗證來優化。

## 與相關技術的比較
趨勢分解與其他時間序列分析技術有著緊密的聯繫，但各自側重於不同的目標：

1.  **與平滑技術（Smoothing Techniques）的比較**：平滑技術（如移動平均、指數平滑）的主要目的是去除時間序列中的噪音，揭示底層的模式。趨勢分解也包含平滑的步驟（例如用移動平均估計趨勢），但其目標更為宏大，不僅是平滑，更是將序列明確地拆解為可解釋的趨勢、季節性和殘差成分。平滑是趨勢分解過程中的一個工具，而趨勢分解是更全面的結構分析。
2.  **與ARIMA模型（Autoregressive Integrated Moving Average）的關係**：ARIMA模型是一種廣泛用於時間序列預測的統計模型，它透過差分來處理趨勢和季節性，並使用自迴歸（AR）和移動平均（MA）項來建模殘差。趨勢分解與ARIMA模型可以互補。在應用ARIMA模型之前，可以先進行趨勢分解來理解資料的結構，並決定是否需要季節性差分。或者，可以對分解後的各成分分別建立ARIMA模型，再組合預測。季節性ARIMA（SARIMA）模型則直接在ARIMA框架內處理季節性，可以看作是將分解思想內化到模型結構中。
3.  **與小波分解（Wavelet Decomposition）的區別**：小波分解是一種多解析度分析技術，它將時間序列分解成不同頻率的成分，能夠同時在時域和頻域上分析資料。與趨勢分解將序列拆解為趨勢、季節性、殘差等特定「物理」意義的成分不同，小波分解將序列拆解為不同尺度（頻率）的細節和近似成分。小波分解在信號處理和異常偵測等領域有獨特優勢，而趨勢分解則更側重於時間序列的宏觀結構理解和傳統預測。
4.  **與傅立葉變換（Fourier Transform）的關係**：傅立葉變換將時間序列從時域轉換到頻域，揭示其中包含的週期性成分及其強度。它可以用於識別時間序列中的主要季節性週期。趨勢分解中的季節性成分估計，特別是像Prophet模型中使用的傅立葉級數，就是基於傅立葉變換的思想來捕捉週期性模式。傅立葉變換提供了一種識別季節性週期的工具，而趨勢分解則將這種週期性與趨勢和殘差明確分離。

## 常見問題

### 趨勢分解主要識別哪些成分？

趨勢分解主要識別時間序列中的三個核心成分：趨勢、季節性與殘差。趨勢成分代表資料在長期內的整體方向，反映了持續的增長、下降或穩定狀態。季節性成分則是指資料中以固定週期重複出現的模式，例如每日、每週或每年的循環，通常受日曆效應或天氣影響。殘差成分是移除趨勢和季節性後，時間序列中剩餘的、無法解釋的隨機波動，它代表了資料中不可預測的部分。有些模型也會額外考慮循環成分，它指的是非固定週期的波動，通常與經濟週期相關。透過分離這些成分，分析師能更清晰地理解資料的結構和潛在動態。

### 何時應優先選擇加法模型而非乘法模型？

在趨勢分解中，選擇加法模型或乘法模型取決於時間序列中季節性波動的特性。當季節性波動的幅度（絕對值）相對穩定，不隨時間序列的整體水平（趨勢）變化而顯著增大或減小時，應優先選擇加法模型。例如，如果一個產品的每月銷售額在1000單的基礎上，季節性波動始終在±100單左右，無論總銷售額是1萬單還是10萬單，那麼加法模型是合適的。加法模型假設各成分的影響是相互獨立且疊加的。判斷時可以透過視覺化原始時間序列圖，觀察季節性峰谷的絕對高度差異是否大致恆定。如果季節性波動的幅度隨趨勢水平的增加而增大，則應考慮乘法模型。

### 趨勢分解如何輔助時間序列預測？

趨勢分解透過將複雜的時間序列拆解為更簡單、更易於預測的成分，顯著輔助時間序列預測。首先，將原始序列分解為趨勢、季節性與殘差後，可以對每個成分獨立進行建模和預測。例如，趨勢成分通常較為平滑，可以使用簡單的迴歸或平滑方法進行預測；季節性成分是週期性的，可以透過重複歷史模式或使用傅立葉級數來預測；而殘差成分則可以建模為白噪音或低階ARIMA過程。這種「分而治之」的策略簡化了預測任務，因為每個成分的行為模式都相對單一。最後，將各成分的預測結果重新組合，即可得到最終的預測值。這種方法通常比直接對原始序列進行預測更為準確和穩健，尤其對於具有明顯趨勢和季節性的資料。

---

深度解說頁：https://aiterms.tw/learning/what-is-trend-decomposition
快查頁：https://aiterms.tw/terms/trend-decomposition
最後更新：2026/07/04