我有从2007年1月1日到2016年12月31日的每日电力负载数据。 我使用ts()函数来加载数据，如下所示：
ts_load <- ts(data, start = c(2007,1), end = c(2016,12),frequency = 365)
我想从我的数据中去除年度和周度季节性，为了分解数据并去除季节性，我使用以下代码
decompose_load = decompose(ts_load, "additive")
deseasonalized = ts_load - decompose_load$seasonal
我的问题是，我这样做对吗？这是消除年度季节性的正确方法吗？消除周度季节性的正确方法是什么？
ts系列必须具有定期间隔的点，并且每个周期中点的数量相同。在问题中指定了365的频率，但是一些年份（即闰年）将有366个点。特别地，如果您想要频率为一年，则不能使用未经调整的日常或每周数据，因为不同的年份具有不同的天数，并且一年中的周数不是整数。
decompose无法处理多个季节性。如果按星期计算，则意味着消除星期一，星期二等的影响；如果按年计算，则意味着消除每年1月1日、2日等的影响，则需要处理多个季节性。
end=c(2017,12)表示由于频率为365，因此为2017年的第12天。
forecast包中的msts函数可以处理多个和非整数季节性。
在基础R中，另一种方法是通过线性模型近似它，避免所有上述问题（但忽略相关性），我们将讨论这一点。
假设数据在本文结尾的注释中可重复显示，我们定义星期几（dow）和一年中的日期（doy）变量，并对其进行截距和趋势回归，然后在代码的最后一行构造仅截距加趋势加残差以去除季节性。这不是绝对必要的，但我们已经使用了scale来删除趋势的平均值，以便定义data.ds的三个术语是相互正交的——无论我们是否这样做，第三个术语都将根据线性模型的属性与其他2个术语正交。
trend <- scale(seq_along(d), TRUE, FALSE)
dow <- format(d, "%a")
doy <- format(d, "%j")
fm <- lm(data ~ trend + dow + doy)
data.ds <- coef(fm)[1] + coef(fm)[2] * trend + resid(fm)
用于可重复形式的测试数据：
set.seed(123)
d <- seq(as.Date("2007-01-01"), as.Date("2016-12-31"), "day")
n <- length(d)
trend <- 1:n
seas_week <- rep(1:7, length = n)
seas_year <- rep(1:365, length = n)
noise <- rnorm(n)
data <- trend + seas_week + seas_year + noise
您可以使用dsa包中的dsa函数来调整每日时间序列。与回归解决方案相比，其优点在于考虑到季节影响随时间变化的情况，这通常是实际情况。 为了使用该函数，您的数据应该采用xts格式（来自xts包）。因为在这种情况下，闰年不会被忽略。 代码将类似于以下内容：
install.packages(c("xts", "dsa"))
data = rnorm(365.25*10, 100, 1)
data_xts <- xts::xts(data, seq.Date(as.Date("2007-01-01"), by="days", length.out = length(data)))
sa = dsa::dsa(data_xts, fourier_number = 24)
# the fourier_number is used to model monthly recurring seasonal patterns in the regARIMA part
data_adjusted <- sa$output[,1]
dput(head(data))包含实际数据，以便我们帮助您。 - morgan121