В этом посте будет рассмотрен вводный пример анализа STL с использованием набора данных NASA с турбовентиляторным реактивным двигателем.

Сезонная и трендовая декомпозиция с использованием лесса (STL) - это аббревиатура от Seasonal and Trend Decomposition using Loess. Это статистический метод разделения данных временных рядов на три компонента: сезонность, тренд и остаток. STL извлекает гладкие оценки трех компонентов с помощью LOESS (сглаживание локально оцененной диаграммы разброса). Одна из основных целей декомпозиции - оценить сезонные воздействия, чтобы можно было создавать и представлять данные с поправкой на сезонность. Сезонно скорректированное значение устраняет сезонное влияние измерения, делая закономерности более заметными. Тенденция указывает общее направление данных. Случайное колебание или непредвиденное изменение называется шумом или остаточным. Этого мы не можем предсказать. Это дает нам более глубокое понимание нашей области работы, а прогнозирование помогает человеку повысить эффективность производства.

Регрессия Лесса - это метод, который использует локальную взвешенную регрессию для построения гладкой кривой через точки на диаграмме рассеяния. Кривые Лесса выделяют тенденции и циклы в данных, которые параметрическая кривая не может описать. Алгоритм регрессии Лесса может автоматически определять параметр сглаживания, который лучше всего соответствует данным.

Чтобы наша модель работала правильно, все данные должны быть в одном масштабе, чтобы избежать смещения результатов. Этот процесс известен как Стандартизация. Итак, мы должны S стандартизировать данные. Я стандартизировал Набор данных турбореактивных двигателей NASA и для простоты поместил его в другой файл .csv. Нулевым шагом будет стандартизация данных и их сохранение в отдельном файле для использования в нашем анализе. Затем вы можете перейти к следующим шагам.

Шаг 1

Первый шаг - импортировать все необходимые библиотеки. Мы будем широко использовать библиотеки, такие как Seaborn, sklearn и matplotlib для анализа STL.

from sklearn.preprocessing import StandardScaler, MinMaxScaler
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import StandardScaler
from sklearn import preprocessing
import matplotlib.pyplot as plt
import seaborn as sns

Шаг 2

Прочтите загруженные данные .csv и поместите их в переменную, чтобы вы могли получить их при необходимости.

data = pd.read_csv (r'C:\Users\Siva Shankari\Downloads\archive (1)\CMaps\FD001_unit1.csv')

Шаг 3

Постройте и визуализируйте диаграмму после того, как вы импортировали пакет STL

from statsmodels.tsa.seasonal import STL
s2=data.sensor2
res = STL(s2,seasonal=13,period=12).fit()
ax=res.plot()
plt.show()

Вывод: