시계열을 분해한다는 것은 시계열을 구성 요소로 나누는 것입니다.
여기서는 세 가지 구성 요소를 살펴보겠습니다.
 
기본 추세(예: 신호의 장기 성장률)
계절적 요소 – 시간에 따른 변동(연간, 분기별, 월별 또는 하루 단위일 수 있음)
노이즈 요소 - 위의 원인으로 볼 수 없는 무작위 동작
 
데이터를 분석하려면 기본 성장 추세와 계절적 추세를 찾아야 합니다.
 
1단계

먼저 가중 이동 평균(MA)을 사용하여 연간 데이터를 평활화합니다.
추세는 연간이므로 이동 평균에는 연중 모든 달의 데이터 포인트가 포함되어야 합니다.
이를 통해 기본 성장 구성 요소를 얻을 수 있으며 거기에서 계절 구성 요소를 계산할 수 있습니다.
 

2단계

다음 단계에서는 곱셈 모델이나 덧셈 모델이 적합한지 선택해야 합니다.

곱셈 분해에서는 계절 요소가 기본 성장에 따라 달라지지만 덧셈 모델에서는 크기가 일정하게 유지됩니다.

이는 일반적으로 그래프를 통해 측정할 수 있습니다.

3단계

위에서는 2010년 7월부터 2011년 6월까지의 값만 볼 수 있습니다.

실제 분석에서는 사용 가능한 전체 데이터 세트를 사용하여 매월 여러 값을 제공합니다.

그런 다음 보다 신뢰할 수 있는 계절 계수를 얻고 데이터의 일부 노이즈를 평활화하기 위해

이를 평균화해야 합니다(예: 1월 수치를 함께 평균한 다음 2월 등).
 

4단계

이제 기본 성장 추세를 살펴보겠습니다. 즉, 월 평균 트래픽 증가를 찾아야 합니다.

우리가 만든 이동 평균 데이터를 사용하여 차트를 그리고 추세선을 추가합니다.

우리가 수행한 분석을 통해 장기적인 성장을 측정하고 계절적 변동을 정량적으로 설명할 수 있습니다.

5단계

이제 우리는 향후 몇 달간 실적에 대한 간단하고 대략적인 예측을 매우 쉽게 생성할 수 있습니다.

다음 달마다 기본 성장률로 판단한 428회의 방문수를 더하고 적절한 월간 계수를 곱합니다.

여기에서 우리가 사용한 과거 데이터에 대한 예측 수치를 볼 수 있습니다.

우리는 일년 내내 계절적 상승과 최저점에 특별한 주의를 기울이면서

전반적인 추세를 유지한 것으로 보입니다.

이 방법을 사용하면 향후 몇 달 동안의 신호에 대한 대략적인 정보를 얻을 수 있습니다.

하지만 각 예측 월은 이전 예측을 기반으로 하므로 지금까지 고려되지 않은 요인이 포함되면

이러한 추세가 잘못될 수 있다는 점을 기억해야 합니다.

Adam Roberts의 글