访问官网
Github
文档modeltime
在
R中进行整洁的时间序列预测。
使命：我们的首要目标是使高性能时间序列分析变得更简单、更快速、更具可扩展性。Modeltime 通过提供简单易用的建模和预测时间序列的基础设施来实现这一目标。
快速入门视频
对于喜欢视频教程的人来说，我们有一个11分钟的YouTube视频，带你了解Modeltime工作流程。
（点击在YouTube上观看）
教程
-
Modeltime入门：使用
modeltime进行预测的6步流程介绍 -
Modeltime文档：学习如何使用
modeltime，查找 Modeltime模型，以及扩展modeltime，以便在 Modeltime工作流程 中使用新算法。
安装
CRAN版本：
install.packages("modeltime", dependencies = TRUE)
开发版本：
remotes::install_github("business-science/modeltime", dependencies = TRUE)
为什么选择modeltime？
Modeltime在一个框架中解锁时间序列模型和机器学习
无需在各种框架之间来回切换。modeltime 解锁了机器学习和经典时间序列分析。
- forecast：使用ARIMA、ETS等模型（
arima_reg()、arima_boost()和exp_smoothing()）。 - prophet：使用Facebook的Prophet算法（
prophet_reg()和prophet_boost()） - tidymodels：使用任何
parsnip模型：rand_forest()、boost_tree()、linear_reg()、mars()、svm_rbf()进行预测
更快速地预测
简化的预测工作流程
Modeltime 采用简化的工作流程（参见Modeltime入门），使用最佳实践进行预测。
简化的预测工作流程
认识modeltime生态系统
学习不断增长的预测包生态系统
Modeltime生态系统正在成长
Modeltime是不断发展的生态系统中的一部分，包含多个Modeltime预测包。
总结
Modeltime是一个出色的时间序列预测生态系统。但学习它可能需要很长时间：
- 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+时间序列
你可能在想我要如何学习时间序列预测。这里有一个解决方案，可以为你节省多年的挣扎。
参加高性能预测课程
成为你所在组织的预测专家
时间序列正在变革
时间序列正在发生变革。**企业现在每天需要10,000+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"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。你将学到：
- 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、噪声减少和异常检测
- 使用滞后变量和外部回归因子进行特征工程
- 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+时间序列
- 以及更多内容。
成为你所在组织的时间序列专家。
