timetk

timetk

R语言时间序列分析与可视化工具包

timetk是一个功能丰富的R语言时间序列分析工具包。它提供数据可视化、处理和特征工程功能,支持交互式和静态绘图、时间序列机器学习、异常检测和聚类分析。与同类包相比,timetk功能更全面、易用性更高,可简化时间序列分析和预测建模流程。该包适用于需要高效处理和分析时间序列数据的研究人员和数据科学家。

timetk时间序列分析R语言数据可视化机器学习Github开源项目

R语言的timetk包

<!-- 徽章:开始 -->

R-CMD-检查 CRAN状态徽章 codecov

<!-- 徽章:结束 -->

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

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)。

<div class="comparison"> | 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: | </div>

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

<a href="https://university.business-science.io/p/ds4b-203-r-high-performance-time-series-forecasting/" target="_blank"><img src="https://www.filepicker.io/api/file/bKyqVAi5Qi64sS05QYLk" alt="高性能时间序列预测课程" width="100%" style="box-shadow: 0 0 5px 2px rgba(0, 0, 0, .5);"/></a>

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。
<p class="text-center" style="font-size:24px;"> 成为你所在组织的时间序列专家。 </p> <br> <p class="text-center" style="font-size:30px;"> <a href="https://university.business-science.io/p/ds4b-203-r-high-performance-time-series-forecasting">参加高性能时间序列预测课程</a> </p>

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()stats::ccf()
    • plot_stl_diagnostics():利用stats::stl()
  • lubridatetimetk大量使用floor_date()ceiling_date()duration()来处理"基于时间的短语"。
    • 添加和减去时间(%+time%%-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tidyvertsfabletsibblefeastsfabletools)。
    • 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()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

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多