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

Posted 2021-04-11

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（示例here）
• changepoint（示例here）
• BreakoutDetection（链接包括简单示例）
• qcc's Control Charts（教程here）
• 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。

答案

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，如history of one of the first statistical efforts to maintain industrial quality, the control chart所示。在这方面，qcc是most classical quality control diagrams: Shewhart quality control, cusum and EWMA charts的参考实现。

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time series decomposition来识别局部异常（outlyers）和全局异常（变化不是由季节性模式解释）。和BreakoutDetection

作为AnomalyDetection，BreakoutDetection在2014年由twitter开源.BreakoutDetection，open-sourced in 2014 by Twitter，打算使用非参数统计检测时间序列的突破，即异常组。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软件包侧重于对不规则采样时间序列的分析，特别是识别behavioral changes in animal movement。

绝对转向确定趋势的变化changepoint实现了多种（简单）频率和非参数方法来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。