# STL\_Trend - 图表函数

STL\_Trend 是一个时间序列分解函数。与 STL\_Seasonal 和 STL\_Residual 一起，此函数用于将时间序列分解为季节、趋势和残差分量。在 STL 算法的背景下，时间序列分解用于在给定输入度量和其他参数的情况下识别重复出现的季节模式和总体趋势。STL\_Trend 函数将从时间序列数据中识别不受季节模式或周期影响的总体趋势。

三个 STL 函数通过简单求和与输入度量相关：

STL\_Trend + STL\_Seasonal + STL\_Residual = 输入度量

STL（使用损失的季节和趋势分解）采用数据平滑技术，并通过其输入参数，允许用户调整其执行的计算周期。这种周期性决定了在分析中如何分割输入度量（度量）的时间维度。

STL\_Trend 至少接受一个输入度量 (`target_measure`) 和其 `period_int` 的一个整数值，并返回一个浮点值。输入度量将以聚合的形式出现，并随时间维度的变化而变化。（可选）可以包括 `seasonal_smoother` 和 `trend_smoother` 的值，以调整平滑算法。

您可以使用此函数，方法是将其直接输入到图表的表达式编辑器中，或者将时间序列分解修饰符添加到度量中。它也可在 Insight Advisor 中用作分析类型。有关更多信息，请参阅[时间序列分解](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/Measures/modifiers.htm#Time)和[Insight Advisor 分析类型](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/Insights/insight-analysis-types.htm)。

语法：

STL\_Trend(target\_measure, period\_int [,seasonal\_smoother [,trend\_smoother]])

返回数据类型： 双

参数

| 参数 | 说明 |
| --- | --- |
| target\_measure | 分解为季节性和趋势分量的度量。这应该是一个度量，如 Sum(Sales) 或 Sum(Passengers)，随时间维度而变化。<br><br>这不得是一个常数值。 |
| period\_int | 数据集的周期性。此参数是一个整数值，表示构成信号的一个周期或季节周期的离散步数。<br><br>例如，如果时间序列在一年的每个季度被分割为一个部分，则必须将 period\_int 设置为值 4，以将周期定义为“年”。 |
| seasonal\_smoother | 季节平滑器的长度。这必须是一个奇数。季节平滑器使用季节变化中特定阶段的数据，跨越多个时段。每个期间都使用时间维度的一个离散步骤。季节平滑器指示用于平滑的期间数。<br><br>例如，如果时间维度按月份分段，期间为年 (12)，则将计算季节成分，以便根据当年和相邻年份的同一月份数据计算每年的每个特定月份。seasonal\_smoother 值是用于平滑的年数。 |
| trend\_smoother | 趋势平滑器的长度。这必须是一个奇数。趋势平滑器使用与 period\_int 参数相同的时间刻度，其值是用于平滑的颗粒数。<br><br>例如，如果一个时间序列按月份分段，趋势平滑器将是用于平滑的月份数。 |

STL\_Trend 图表函数通常与以下功能结合使用：

相关函数

| 函数 | 交互 |
| --- | --- |
| [STL_Seasonal - 图表函数](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/ChartFunctions/RelationalFunctions/stl_seasonal.htm) | 这是用于计算时间序列季节分量的函数。 |
| [STL_Residual - 图表函数](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/ChartFunctions/RelationalFunctions/stl_residual.htm) | 当将一个输入度量分解为季节和趋势分量时，该度量的部分变化将不适合这两个主要分量中的任何一个。STL\_Residual 函数计算这部分分解。 |

如果需要教程，其中有展示如何使用此函数的完整示例，请参见[教程 - Qlik Sense 中的时间序列分解](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/ChartFunctions/RelationalFunctions/tutorial-time-series-decomposition.htm)。