---
title: "季節性分解（Seasonal Decomposition）"
slug: seasonal-decomposition
language: zh-TW
source: https://aiterms.tw/terms/seasonal-decomposition
updated_at: 2026-04-29
tags: [時序分析, 統計方法, 資料處理, AI基礎, 模型評估]
ipas_term: false
---

# 季節性分解（Seasonal Decomposition）

> **你有沒有看過銷售數字一邊慢慢上升，一邊每到週末又固定跳一下？**
>
> 你可以把季節性分解想成把時間序列拆成趨勢、週期和雜訊三個部分來看。
>
> 它重要是因為資料不拆開看，很難知道到底是長期變好，還是只是每週固定波動。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **季節性分解 vs 移動平均**
>
> 季節性分解會拆出趨勢和週期
> 移動平均主要是在平滑數據
> 最關鍵的區別是拆成幾個成分還是只做平滑。
>
> **季節性分解 vs ARIMA**
>
> 季節性分解是先看結構
> ARIMA 是用模型直接做預測
> 最關鍵的區別是分析工具還是預測模型。
>

### 記住這句就好

> 先拆趨勢，再看週期，最後才處理雜訊。

### 實際案例

> **零售銷售**
> 月初和月底、節日和非節日的波動常常不同，拆開後比較看得出長期趨勢。
>
> **用電量**
> 夏天和冬天用電模式不同，分解後更容易看出季節循環。
>

### 算法與應用

> 經典分解會把序列拆成 trend、seasonal、residual。
> STL 是常見做法之一，對非線性和異常值通常更有彈性。
> 如果季節波動幅度會跟著水準變化，乘法模型常比加法模型更合適。

### 情境判斷

> **Q1（直覺題）：如果你想知道銷售是長期上升，還是只是每週固定高低起伏，會先做什麼？**
>
> → 很常先做季節性分解。
>
> **Q2（判斷題）：拆出季節性後，就一定能直接預測未來嗎？**
>
> → 不一定。分解能幫你理解結構，但預測還要搭配模型和驗證。
>

### 常見問題

> **Q：怎麼選加法模型還是乘法模型？**
> A：看季節波動是固定幅度，還是會隨整體水準一起放大。
>
> **Q：STL 和經典分解差在哪？**
> A：STL 更靈活，也比較能處理非線性趨勢和異常值。
>
> **Q：分解後怎麼用在預測？**
> A：通常會先處理趨勢和季節項，再搭配其他模型預測殘差。
>

### 相關術語

> - **時間序列分析**：季節性分解是時間序列分析的一部分。
> - **差分整合移動平均**：分解後常會接這類模型做預測。
> - **指數平滑法**：它和時間序列平滑方法很接近。
> - **先知預測模型**：季節性分析和它常被一起拿來做預測。

---

來源：https://aiterms.tw/terms/seasonal-decomposition
快查頁：https://aiterms.tw/terms/seasonal-decomposition
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-seasonal-decomposition