STL（Seasonal and Trend decomposition using Loess）是一種用於時間序列數據分解的方法，它可以將時間序列數據分解為趨勢、季節性和殘差三個主要分量。STL 算法基於 Loess（局部加權回歸散點平滑法）進行時間序列的分解，通過內循環和外循環的過程來實現。
內循環：
去趨勢：從原始數據中去除趨勢分量。
周期子序列平滑：對季節性周期進行平滑處理。
低通濾波處理：對平滑後的周期子序列進行低通濾波，以獲取趨勢分量。
更新季節性和殘差分量。
外循環：
引入穩健性權重項：控制數據中異常值的影響。
更新內循環中的權重：考慮到下一階段內循環的臨近權重。
STL 分解的過程不僅涉及到趨勢和季節性的分離，還包括了對殘差的處理，以確保分解後的各個分量之和等於原始時間序列。這種方法能夠有效地處理時間序列中的非線性和非平穩性，特別是在存在季節性和趨勢變化的情況下。
STL 分解的一個關鍵參數是季節性周期（period），它定義了時間序列中季節性變化的基本周期。如果時間序列是 numpy 的 array 類型，需要手動指定 period；如果是 pandas 的 series 或 dataframe 類型，STL 方法可以根據索引自動推斷出 period。此外，季節性平滑器和趨勢平滑器的長度也是重要的參數，它們必須為奇數，並且需要根據時間序列的特性來選擇合適的值。
在實際套用中，STL 分解可以通過 statsmodels 庫中的 STL 方法來實現。例如，可以使用 statsmodels 對航空公司的乘客數據進行分解，並獲取各個分量的結果，從而更好地理解時間序列數據的結構和變化趨勢。