过滤季节性时间序列异常值答案

【问题标题】：Filtering seasonal time series outliers过滤季节性时间序列异常值
【发布时间】：2012-08-26 11:06:26
【问题描述】：

我有一些季节性很强的天气相关数据，我想做的是识别一些“异常值”并将这些异常值更改为合理的值（我不想删除它们）。

我正在使用 pracma 包中的 hampel 过滤器来识别和纠正这些异常值，但问题是某些季节性峰值被降低了太多。我猜这个函数没有考虑季节性。下图显示了这一点（24 个月的窗口），红线是过滤后的数据。

有没有办法纠正这个问题？换句话说，取“峰值”并在季节之间平均它们？谢谢！

【问题讨论】：

我怀疑这种对数据的修改是个好主意。我发现?hampel 中的“注释”很有启发性。
当每年发生一次的概率约为 50% 时，它们真的可以被称为异常值吗？
是的 - 这些高值与厄尔尼诺有关，如果我忽略它们，我的模型给出的预测太高（自 1931 年/1 月以来从未发生过）。
如果您确实认为数据集中存在异常值，则需要先移除季节性趋势，从去趋势数据中移除异常值，然后重新调整数据趋势。
谢谢，它似乎有效！

标签： r filtering time-series outliers

【解决方案1】：

正如@Michael 所建议的，这里有一些代码删除了季节性组件，对剩余的系列应用异常值过滤器，并再次添加季节性组件（使用风险自负）：

filter.outliers = function(serie.orig)
{
require(forecast)
require(pracma)

## get a stl decomposition object
stl.decomp = stl(serie.orig, s.window = 'periodic', t.window = 13, robust = T)

## remove the seasonal component
serie.desaz = seasadj(stl.decomp)

## apply a hampel filter
serie.desaz2 = hampel(serie.desaz, k = 12)$y

## put back the seasonal component
return(serie.desaz2 + stl.decomp$time.series[, 'seasonal'])
}

【讨论】：