R中的时序断开/变化/干扰检测：结构变化、变化点、断开检测、bfast等

我希望这能成为R中各种时间序列突破/变化/干扰检测方法的一个标志。我的问题是描述以下每个包的动机和不同方法。也就是说，什么时候使用一种方法比使用另一种方法更有意义，相似性/差异性等

有关包裹：

• （示例）
• （示例）
• （链接包括简单示例）
• （教程）
• 也许（？）在较小程度上：和

---

我希望有针对性的答案。也许每种方法都有一段。在一个时间序列中对每一项都施加压力是很容易的，但这可能以滥用/违反假设为代价。有一些资源为ML监督/非监督技术提供指导。我（当然还有其他人）希望能在时间序列分析这一领域找到一些指导方针/指针

两种截然不同的动机导致了时间序列分析：

工业质量控制和异常值检测，检测与稳定噪声的偏差

对趋势的科学理解，其中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，异常值的检测对于趋势分析之前的时间序列清理非常重要。尽管如此，我将在下文中尝试使用这一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非常重要，例如。在这方面，是一个参考的实现

旧的但仍然活跃，最近的重点是异常值检测。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（光栅）甚至多维数据集。异常检测使用识别局部异常（外溢）和全球异常（季节模式无法解释的变化）。 及

作为异常检测，已于2014年由twitter开源，打算使用非参数统计来检测突破it时间序列，即异常组。突破的检测与趋势的检测和模式的理解非常接近。在类似的例子中，该软件包侧重于不规则采样时间序列的分析，特别是识别

明确转向趋势变化的测定实现了多（简单）频率和非参数方法，以检测时间序列趋势中的单个或多个中断。允许使用回归模型拟合、绘制和测试趋势变化。最后，基于strucchange分析光栅（如卫星图像）时间序列并处理缺失数据