时间序列分解帮助我们将时间序列分解为更易于理解和预测的组件。

1. 原则上，是的，您几乎可以看到原始情节中的所有内容，但有时将事情分开会让您的生活更轻松。例如，某些驱动因素可能会出现峰值，但由于季节性原因，峰值可能不可见。将季节性分解出来将使峰值在剩余分量中更加明显。或者类似地，可能有多重季节性我们没有想到。如果我们只对电力消耗的日内季节性进行建模，则剩余分量中的波浪状模式可能会提醒我们注意周内模式。

2. 分解确实用于预测，例如，通过forecast::stlf()R 中的函数。（请注意，非常推荐整本教科书。）分解的一个优点是您可以单独处理每个组件，然后重新组合它们。也许您认为趋势应该受到抑制，或者季节性会以某种方式发生变化，或者残差中可能存在条件异方差。分解预测非常简单，您应该始终针对简单的基准测试更复杂的方法，因为这些方法很难被击败。

3. 如何阅读分解图在很大程度上取决于系列是如何分解的。在这里，季节性和残差都被乘法考虑。（例如，您还可以描绘趋势和季节性之间的乘法关系，但是是加性噪声分量。）在图中，您会看到原始数据，然后是趋势、季节性和残差。对于每个时间点$i$, 原始观察$y_i$只是三个成分的乘积，$y_i=t_is_ie_i$. 分解算法确保季节性和残差分量在$1$，当然，季节性的波动是有规律的。所以你可以粗略地说，有一个大约的季节变化$10\%$，因为季节性成分在$0.9$和$1.1$.

即使已经有一个公认的分析器，我想补充一点，一些模型假设是平稳的。这可以使用分解来实现。

顺便说一句：人们还可以看到季节性模式，它可以与不同的季节性模式相互关联。