Многомерная декомпозиция в R?

STL немного ограничен, так как он обрабатывает только один тип сезонности за раз, и у вас, вероятно, есть две сезонности (еженедельная и годовая). Кроме того, он не допускает экзогенных переменных.

Одним из возможных подходов было бы использование регрессионной модели с ошибками ARMA, где сезонный период данных был установлен равным 7 (для недельной сезонности). Вы можете обрабатывать годовую сезонность с помощью членов Фурье (http://robjhyndman.com/hyndsight/longseasonality/ ) в качестве переменных регрессии. Маркетинговые события можно обрабатывать с помощью фиктивных переменных, также включенных в аргумент xreg. Вы даже можете использовать auto.arima из пакета forecast, чтобы выбрать порядок ошибки. , в том числе нужно ли учитывать недельную сезонность. Просто настройте xreg с условиями Фурье и фиктивными переменными, затем вызовите

auto.arima(y, xreg=xreg)

Обработка сезонности с помощью ряда Фурье предполагает, что она неизменна по форме. Однако, если у вас нет данных за многие годы, это не является проблемой, так как маловероятно, что они сильно изменили форму менее чем за 20 лет, а ошибки ARIMA в любом случае будут скорректированы с учетом небольших изменений.

Если в данных есть значительная тенденция, вы также должны учесть это в регрессионной части модели. Добавление некоторых терминов B-сплайна должно справиться с этим.

Я могу порекомендовать пакет прогнозов на cran по Гайндману. Там модели летучих мышей или tbats должны учитывать как сложные сезонные факторы, так и фиктивные переменные, представляющие маркетинговые события.