A Decomposição é uma técnica de análise de séries temporais que permite decompor uma série em vários componentes: sazonalidade, ruído e tendências.

Tomemos as vendas de um supermercado como exemplo.

Falando de sazonalidade, as vendas possuem sazonalidade diária (o número de compras aumenta à noite e pode ser menor pela manhã), sazonalidade semanal (a maioria das compras é feita às sextas-feiras e fins de semana) e sazonalidade mensal (por exemplo, mais compras são realizadas durante os meses de festas: dezembro, janeiro).

Vamos esclarecer o modelo matemático do método de decomposição:

Como podemos ver, os coeficientes T, S e R são responsáveis por cada parâmetro.

Você pode ver a principal diferença entre tendência e sazonalidade abaixo:

Enquanto uma tendência é um componente geral sistemático linear ou não linear, um componente sazonal é recorrente. Ambos os tipos de componentes podem estar presentes na série temporal simultaneamente.

Para executar o método de decomposição, utilizaremos o método MSTL, que significa Decomposição Múltipla Sazonal-Tendência usando Loess. Importe statsmodel para executar a decomposição de séries temporais:

from statsmodels.tsa.seasonal import MSTL


stl_kwargs = {"seasonal_deg": 0} 
model = MSTL(data, periods=(24, 24 * 7), stl_kwargs=stl_kwargs)
res = model.fit()

seasonal = res.seasonal 
trend = res.trend
residual = res.resid

res.plot()

Como resultado, temos o seguinte:

Com a ajuda desta visualização, já podemos acompanhar a tendência geral ascendente e a sazonalidade. De forma geral, a decomposição pode nos ajudar a passar da análise de uma série não estacionária para uma estacionária, excluindo o componente sazonal e a tendência, podemos analisar a série utilizando os resíduos.