分解时间序列，就是将一个时间序列拆分成不同的构成元件。一般序列（非季节性序列）包含一个趋势部分和一个不规则部分（也就是随机部分），而如果是一个季节性序列，除以上两个外，还有季节性部分。
在此，我们先讲——非季节性数据的分解。
一个非季节性时间序列包含一个趋势部分和一个不规则部分。 分解时间序列即为试图把时间序列拆分成这些成分，也就是说， 需要估计趋势的和不规则的这两个部分。
为了估计出一个非季节性时间序列的趋势部分， 使之能够用相加模型进行描述， 最常用的方法便是平滑法， 比如计算时间序列的简单移动平均。 这时，我们需要使用“TTR”程序包中的SMA（）函数。
使用 SMA()函数时， 你需要通过参数“n” 指定来简单移动平均的跨度。 例如， 计算跨度为 5 的简单易懂平均， 我们在 SMA()函数中设定 n=5。
例如如上所述的，这个 42 位英国国王的去世年龄数据呈现出非季节性， 并且由于其随机变动在整个时间段内是大致不变的， 这个序列也可以被描述称为一个相加模型。 如图：
> king<-scan("http://robjhyndman.com/tsdldata/misc/kings.dat",skip=3)
Read 42 items
> king
[1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59
[25] 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56
> kingts<-ts(king)
使用TTS程序包的SMA（）函数进行简单移动平均。
>
kingstime<-SMA(kingts,n=8)
>
plot.ts(kingstime)
这个跨度为8的简单移动平均平滑数据的趋势部分看起来更加清晰了，我们可以发现这个时间序列前20为国王去世年龄从最初的
55 周岁下降到 38 周岁， 然后一直上升到第 40 届国王的 73 周岁。