Execution Context
季节性分解是时间序列与预测模块中的一项关键且计算密集型操作，旨在从复杂的数据集中提取重复出现的季节性模式。通过数学上分离趋势、季节性和残差成分，它使数据科学家能够理解周期性行为，同时避免噪声干扰。此过程需要大量的计算资源来进行大规模的历史数据分析，但为供应链运营中的需求规划和库存优化提供至关重要的洞察。
该算法采用统计技术，如STL或X-13ARIMA-SEATS，对输入的时间序列进行迭代分解，将其分解为不同的加性或乘性成分。
计算引擎处理大量历史数据，用于计算季节性指标，同时在多个年份的记录中保持时间同步。
结果通过残差分析指标进行验证，以确保提取的季节性成分能够准确反映原始数据集中的周期性波动。
Operating Checklist
将历史时间序列数据导入到安全计算环境中，并设置明确的时间粒度。
请选择分解方法（例如：STL 或 X-13ARIMA），并指定季节性周期长度。
执行分解算法，该算法通过迭代过程将数据分解为趋势、季节性和残差成分。
在进行预测之前，请审查生成的输出结果，并验证残差，以确保模型的准确性。
Integration Surfaces
数据摄取
用户可以通过安全的API上传原始时间序列数据集，并在上传时指定频率和聚合规则，以获得最佳的分解效果。
参数配置
科学家可以直接在仪表盘中配置季节周期长度和转换方法，以定制提取逻辑。
结果可视化
分解后的组件以交互式图表呈现，图表同时显示原始序列以及隔离出的趋势、季节性和残差线。
