我希望它成为 R 中各种时间序列突破/变化/干扰检测方法的标志。我的问题是描述以下每个包的方法的动机和差异。也就是说，什么时候使用一种方法比另一种方法更有意义，相似点/差异等等。
有问题的包：
我希望有针对性的答案。也许每个方法都有一个段落。很容易在时间序列中对这些中的每一个进行打击，但这可能会以滥用/违反假设为代价。有一些资源可以为 ML 监督/非监督技术提供指导。我（当然还有其他人）会欣赏一些围绕时间序列分析领域的指南/指针。
【问题讨论】：
标签： r time-series data-mining
两个截然不同的动机导致了时间序列分析：
当然，两者在很大程度上都是同一枚硬币的两面，异常值的检测对于趋势分析之前的时间序列清理可能很重要。尽管如此，我仍将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，均值和标准差的稳定性非常重要，例如history of one of the first statistical efforts to maintain industrial quality, the control chart。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 主要使用马氏距离，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（异常值）和全局异常（季节性模式无法解释的变化）。 和BreakoutDetection
作为 AnomalyDetection，BreakoutDetection 已于 2014 年由 twitter 开源。BreakoutDetection，open-sourced in 2014 by Twitter，旨在检测 breakouts 它的时间序列，即异常组，使用非-参数统计。突破的检测非常接近趋势的检测和模式的理解。在类似的光学中，brca 包专注于分析不规则采样的时间序列，特别是识别behavioral changes in animal movement。
肯定会转向确定趋势变化changepoint 实现了多种（简单）常客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 基于 strucchange 分析栅格（例如卫星图像）时间序列并处理缺失数据。
【讨论】：