R中的时间序列突破/变化/干扰检测:结构,变化点,突破检测,bfast等

Question

我希望这能成为R中各种时间序列突破/变化/干扰检测方法的标志.我的问题是用以下每个包描述方法的动机和差异.也就是说,何时使用一种方法比另一种方法,相似性/差异等更有意义.

有问题的包裹:

• strucchange(这里的例子)
• 变化点(这里的例子)
• BreakoutDetection(链接包括简单示例)
• qcc的控制图(这里的教程)
• BFAST
• 也许(？)在较小程度上:AnomalyDetection和mvOutlier

我希望有针对性的答案.也许是每种方法的一个段落.在一个时间序列中很容易拍打每一个,但这可能会以滥用/违反假设为代价.有资源为ML监督/无监督技术提供指导.我(当然还有其他人)会欣赏这个时间序列分析领域的一些指南/指针.

Answer 1

两种截然不同的动机导致了时间序列分析:

1. 工业质量控制和异常值检测,检测稳定噪声的偏差.
2. 对趋势的科学理解,对趋势及其决定因素的理解至关重要.

当然,两者在很大程度上是同一枚硬币的两面,并且在趋势分析之前检测异常值对于时间序列清洁是重要的.不过,我将在此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.

在质量控制中,平均值和标准偏差的稳定性是非常重要的,例如保持工业质量的第一次统计工作之一的历史,控制图.在这方面,qcc是最经典的质量控制图的参考实现:休哈特质量控制,cusum和EWMA图表.

旧的但仍然活跃的mvoutlier和最近的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.AnomalyDetection使用时间序列分解来识别局部异常(outlyers)和全局异常(不受季节性模式解释的变化).和BreakoutDetection

作为AnomalyDetection,BreakoutDetection已在2014年被开源由Twitter BreakoutDetection,开源由Twitter于2014年,旨在检测突破它的时间序列,这是异常的群体,采用非参数统计.突破的检测非常接近于趋势的检测和对模式的理解.在类似的光学元件中,brca包重点关注不规则采样时间序列的分析,特别是识别动物运动的行为变化.

绝对转变为趋势变化的 确定变化点实现了多种(简单)频率和非参数方法,以检测时间序列趋势中的单个或多个中断.strucchange允许使用回归模型拟合,绘制和测试趋势变化.最后,bfast建立在strucchange上以分析栅格(例如卫星图像)时间序列并处理丢失的数据.