R语言的timetk包

让R语言中的时间序列分析更简单。

使命：让R语言中的时间序列分析变得更简单、更快速、更愉快。

安装

下载包含最新功能的开发版本：

remotes::install_github("business-science/timetk")

或者，下载CRAN批准的版本：

install.packages("timetk")

包功能

有很多R包用于处理时间序列数据。以下是timetk与"整洁的"时间序列R包在数据可视化、数据整理和特征工程方面的比较（这些包利用数据框或tibbles）。

| 任务 | [timetk](https://business-science.github.io/timetk/) | [tsibble](https://tsibble.tidyverts.org/index.html) | [feasts](https://feasts.tidyverts.org/index.html) | [tibbletime (已停用)](https://business-science.github.io/tibbletime/) | |-------------------------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------|-----------------------------------------------------|---------------------------------------------------|------------------------------------------------------------------------| | **结构** | | | | | | 数据结构 | tibble (tbl) | tsibble (tbl_ts) | tsibble (tbl_ts) | tibbletime (tbl_time) | | [**可视化**](https://business-science.github.io/timetk/articles/TK04_Plotting_Time_Series.html) | | | | | | 交互式图表（plotly） | ✅ | :x: | :x: | :x: | | 静态图表（ggplot） | ✅ | :x: | ✅ | :x: | | [时间序列](https://business-science.github.io/timetk/articles/TK04_Plotting_Time_Series.html) | ✅ | :x: | ✅ | :x: | | [相关性、季节性](https://business-science.github.io/timetk/articles/TK05_Plotting_Seasonality_and_Correlation.html) | ✅ | :x: | ✅ | :x: | | [**数据整理**](https://business-science.github.io/timetk/articles/TK07_Time_Series_Data_Wrangling.html) | | | | | | 基于时间的汇总 | ✅ | :x: | :x: | ✅ | | 基于时间的筛选 | ✅ | :x: | :x: | ✅ | | 填补空缺 | ✅ | ✅ | :x: | :x: | | 低频到高频 | ✅ | :x: | :x: | :x: | | 插值 | ✅ | ✅ | :x: | :x: | | 滑动/滚动 | ✅ | ✅ | :x: | ✅ | | **机器学习** | | | | | | [时间序列机器学习](https://business-science.github.io/timetk/articles/TK03_Forecasting_Using_Time_Series_Signature.html) | ✅ | :x: | :x: | :x: | | [异常检测](https://business-science.github.io/timetk/articles/TK08_Automatic_Anomaly_Detection.html) | ✅ | :x: | :x: | :x: | | [聚类](https://business-science.github.io/timetk/articles/TK09_Clustering.html) | ✅ | :x: | :x: | :x: | | [**特征工程（recipes）**](https://business-science.github.io/timetk/articles/TK03_Forecasting_Using_Time_Series_Signature.html) | | | | | | 日期特征工程 | ✅ | :x: | :x: | :x: | | 节假日特征工程 | ✅ | :x: | :x: | :x: | | 傅里叶级数 | ✅ | :x: | :x: | :x: | | 平滑和滚动 | ✅ | :x: | :x: | :x: | | 填充 | ✅ | :x: | :x: | :x: | | 插值 | ✅ | :x: | :x: | :x: | | **交叉验证（rsample）** | | | | | | [时间序列交叉验证](https://business-science.github.io/timetk/reference/time_series_cv.html) | ✅ | :x: | :x: | :x: | | [时间序列交叉验证计划可视化](https://business-science.github.io/timetk/reference/plot_time_series_cv_plan.html) | ✅ | :x: | :x: | :x: | | **更多精彩功能** | | | | | | [创建时间序列（智能方式）](https://business-science.github.io/timetk/articles/TK02_Time_Series_Date_Sequences.html) | ✅ | ✅ | :x: | ✅ | | [处理节假日和周末](https://business-science.github.io/timetk/articles/TK02_Time_Series_Date_Sequences.html) | ✅ | :x: | :x: | :x: | | [类型转换](https://business-science.github.io/timetk/articles/TK00_Time_Series_Coercion.html) | ✅ | ✅ | :x: | :x: | | [自动频率和趋势](https://business-science.github.io/timetk/articles/TK06_Automatic_Frequency_And_Trend_Selection.html) | ✅ | :x: | :x: | :x: |

入门指南

概述

Timetk是一个出色的软件包，是用于时间序列分析和预测的modeltime生态系统的一部分。这个预测系统非常庞大，需要很长时间才能学会：

众多算法
集成和重采样
机器学习
深度学习
可扩展建模：10,000多个时间序列

你可能在想我该如何学习时间序列预测。这里有一个能让你省去多年挣扎的解决方案。

参加高性能预测课程

成为你所在组织的预测专家

高性能时间序列课程

时间序列正在发生变化

时间序列正在发生变化。**企业现在每天需要10,000多个时间序列预测。**这就是我所说的高性能时间序列预测系统（HPTSF） - 准确、稳健且可扩展的预测。

**高性能预测系统将通过提高准确性和可扩展性来拯救公司。**想象一下，如果你能为你的组织提供一个"高性能时间序列预测系统"（HPTSF系统），你的职业生涯会发生什么变化。

如何学习高性能时间序列预测

我在高性能时间序列预测课程中教授如何构建HPTFS系统。你将学习：

使用Modeltime进行时间序列机器学习（前沿技术） - 30多种模型（Prophet、ARIMA、XGBoost、随机森林等）
使用GluonTS进行深度学习（竞赛获胜者）
时间序列预处理、降噪和异常检测
使用滞后变量和外部回归变量进行特征工程
超参数调优
时间序列交叉验证
集成多种机器学习和单变量建模技术（竞赛获胜者）
可扩展预测 - 并行预测1000多个时间序列
等等。

成为你所在组织的时间序列专家。

参加高性能时间序列预测课程

致谢

没有其他出色的时间序列软件包，timetk软件包就不可能实现。

stats - 基本上每个timetk函数中使用周期（频率）参数的都归功于ts()。
- plot_acf_diagnostics()：利用stats::acf()、stats::pacf()和stats::ccf()
- plot_stl_diagnostics()：利用stats::stl()
lubridate：timetk大量使用floor_date()、ceiling_date()和duration()来处理"基于时间的短语"。
- 添加和减去时间（%+time%和%-time%）： "2012-01-01" %+time% "1 month 4 days"使用lubridate智能地偏移日期
xts：用于计算周期性和快速滞后自动化。
forecast（已退休）：可能是我最喜欢的R包。它基于ts，其继任者是tidyverts（fable、tsibble、feasts和fabletools）。
- ts_impute_vec()函数使用STL + 线性插值进行低级向量化插补，底层使用na.interp()。
- ts_clean_vec()函数使用STL + 线性插值进行低级向量化清理，底层使用tsclean()。
- Box Cox变换auto_lambda()使用BoxCox.Lambda()。
tibbletime（已退休）：虽然timetk不导入tibbletime，但它使用了许多创新功能来解释基于时间的短语：
- tk_make_timeseries() - 扩展seq.Date()和seq.POSIXt()，使用简单的短语如"2012-02"来填充2012年2月从开始到结束的整个时间序列。
- filter_by_time()、between_time() - 使用创新的端点检测，可处理如"2012"这样的短语
- slidify()基本上是使用slider（见下文）的rollify()。
slider：一个强大的R包，提供purrr语法进行复杂的滚动（滑动）计算。
- slidify()底层使用slider::pslide。
- slidify_vec()使用slider::slide_vec()进行简单的向量化滚动（滑动）。
padr：用于将时间序列从低频填充到高频并填补空缺。
- pad_by_time()函数是padr::pad()的封装。
- 查看step_ts_pad()以将填充应用为预处理配方！
TSstudio：这是最好的交互式时间序列可视化工具。它利用ts系统，与forecast R包使用的系统相同。许多可视化灵感都来自使用TSstudio。