我希望这成为 R 中各种时间序列突破/变化/干扰检测方法的路标。我的问题是描述以下每个包的动机和方法差异。也就是说，什么时候使用一种方法比另一种方法更有意义、相似/差异等。
有问题的包：
-
结构变化 http://cran.r-project.org/web/packages/strucchange/index.html（例子here http://rpubs.com/sinhrks/plot_ts)
-
变化点 http://cran.r-project.org/web/packages/changepoint/index.html（例子here http://rpubs.com/sinhrks/plot_ts)
-
突破检测 https://github.com/twitter/BreakoutDetection（链接包含简单示例）
-
qcc 的控制图 http://cran.r-project.org/web/packages/qcc/qcc.pdf（教程here http://blog.yhathq.com/posts/quality-control-in-r.html)
- bfast http://cran.r-project.org/web/packages/bfast/index.html
- 也许（？）在较小程度上：异常检测 https://github.com/twitter/AnomalyDetection and 离群值 http://cran.r-project.org/web/packages/mvoutlier/index.html
我希望得到有针对性的答案。也许每种方法都有一个段落。很容易将这些都放在一个时间序列中，但这可能会以滥用/违反假设为代价。有一些资源为 ML 监督/无监督技术提供指南。我（当然还有其他人）会欣赏有关时间序列分析这一领域的一些指南/指针。
两种截然不同的动机导致了时间序列分析：
-
工业质量控制 and 异常值检测，检测与稳定噪声的偏差。
-
对趋势的科学理解，其中对趋势及其决定因素的理解至关重要。
当然，两者在很大程度上都是同一枚硬币的两面，异常值检测对于趋势分析之前的时间序列清理非常重要。尽管如此，我将在以后尝试使用这种区别作为红线来解释 R 提供的用于研究时间序列的包的多样性。
In 质量控制，平均值和标准差的稳定性非常重要，如控制图是维护工业质量的最早统计工作之一的历史 http://en.wikipedia.org/wiki/Control_chart#History。在这方面，qcc http://cran.r-project.org/web/packages/qcc/index.html是一个参考实现最经典的质量控制图：Shewhart 质量控制图、cusum 和 EWMA 图 https://inst.eecs.berkeley.edu/~ee290h/fa05/Lectures/PDF/lecture%2014%20CUSUM%20and%20EWMA.pdf.
老了但仍然活跃姆武特利耶 http://cran.r-project.org/web/packages/mvoutlier/index.html以及最近的异常检测 https://github.com/twitter/AnomalyDetection专注于异常值检测。 mvoutlier 主要使用 Mahalanobis 距离，可以使用 Filzmoser、Maronna 和 Werner (2007) 的算法处理二维数据集（栅格）甚至多维数据集。异常检测使用时间序列分解 http://en.wikipedia.org/wiki/Decomposition_of_time_series识别局部异常（异常值）和全局异常（季节性模式无法解释的变化）。
和突破检测 https://github.com/twitter/BreakoutDetection
作为异常检测，突破检测 https://github.com/twitter/BreakoutDetection已于 2014 年被 Twitter 开源。突破检测 https://github.com/twitter/BreakoutDetection, Twitter 于 2014 年开源 http://www.r-bloggers.com/evaluating-breakoutdetection/, 打算检测突破它是使用非参数统计的时间序列，即异常组。突破的检测与趋势的检测和模式的理解非常接近。在类似的光学器件中，brca http://cran.r-project.org/web/packages/bcpa/index.html软件包侧重于分析不规则采样的时间序列，特别是识别动物运动的行为变化 http://wiki.cbr.washington.edu/qerm/index.php/Behavioral_Change_Point_Analysis.
绝对转向决心趋势的变化 变化点 http://cran.r-project.org/web/packages/changepoint/changepoint.pdf实现多种（简单）频率论和非参数方法来检测时间序列趋势中的单个或多个中断。结构变化 http://cran.r-project.org/web/packages/strucchange/index.html允许使用回归模型来拟合、绘制和测试趋势变化。最后，bfast http://cran.r-project.org/web/packages/bfast/index.html基于 structchange 来分析栅格（例如卫星图像）时间序列并处理丢失的数据。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
