“因为它在那里”。

数据具有季节性模式。所以你建模它。数据有趋势。所以你建模它。也许数据与太阳黑子的数量相关。所以你建模。最终，您希望除了不相关的随机噪声之外什么都没有留下来建模。

但我认为你在这里搞砸了你的 STL 计算。您的残差显然不是序列不相关的。我宁愿怀疑你没有告诉函数你的“季节性”是一个 24 小时的周期而不是一年一次。但是，嘿，你没有给我们任何代码或数据，所以我们真的不知道你做了什么，是吗？你认为“季节性”在这里意味着什么？你有什么主意吗？

您的数据似乎每 24 小时有三个峰值。真的吗？这是'gas'='gasoline'='petrol'还是某些加热/发电系统中的气体？无论哪种方式，如果您先验地知道有一个 8 小时周期，或者在 24 小时周期之上的 8 小时周期，在看起来非常高的一两个小时周期之上，您将其放入您的模型中。

实际上你甚至没有说你的 x 轴是什么所以也许它的天，然后我会适合一个每日周期，一个每周周期，然后是一个年度周期。但考虑到它在 time=85 左右的变化，我不希望模型在这两个方面都做得很好。

使用统计数据（就是这样，很抱歉让你失望，但你还不是数据科学家）你不只是机械地去“而且..现在..我..适合..一个...S TL模型……”。您查看您的数据，尝试获得一些理解，然后提出一个模型，对其进行拟合、测试，并使用它对数据进行推断的参数。拟合周期性季节性模式是其中的一部分。

在异常检测（一种 STL 应用程序）中，如果您可以将原始时间序列标准化为残差序列（在 R 的 STL 包中称为“剩余”），则更容易看到异常值。这涉及识别可以从原始系列中减去的组件。在 STL 中，组件是季节性序列和趋势。

如果数据中有规律的、重复出现的模式（即季节性），那么您不希望该模式的预期上升/下降来驱动异常检测器。相反，您希望能够说“我们是高于还是低于预期，排除了一天（或一周、一个月等）过程中发生的常规起伏”。识别和删除季节性系列可以让您提出这个问题。

您生成的分解看起来不正确：季节性模式似乎没有捕获太多结构，趋势过度拟合数据，并且残差具有季节性序列应该捕获的规则结构。我不知道这是因为数据集本身不适合 STL 分解（系列尾部在质量上与初始部分不同）还是因为参数错误。本页的图 6.10显示了一个更典型的案例。