r - R : strucchange,更改点，BreakoutDetection，bfast等中的时间序列突破/更改/干扰检测

Question

我希望这成为R中各种时间序列突破/变化/干扰检测方法的路标。我的问题是描述以下每个软件包的动机和差异。也就是说，什么时候使用一种方法优于另一种方法，相似性/差异性等更有意义。

有问题的软件包:

strucchange(示例here)

changepoint(示例here)

BreakoutDetection(链接包括简单的示例)

qcc's Control Charts(教程here)

bfast

也许程度较小(？):AnomalyDetection和mvOutlier

我希望有针对性的答案。也许每种方法都有一个段落。很容易在一个时间序列中对它们中的每一个打耳光，但这可能会以滥用/违反假设为代价。有一些资源提供了ML监督/非监督技术的准则。我(当然还有其他人)将不胜感激有关时间序列分析领域的一些路标/指针。

Answer 1

时间序列分析有两种截然不同的动机:

工业质量控制和检测异常值，检测与稳定噪声的偏差。

对趋势的科学理解，对趋势及其决定因素的理解至关重要。

当然，两者在很大程度上都是同一枚硬币的两个面，离群值 的检测对于趋势分析之前的时间序列清理可能很重要。不过，我此后将尝试将此区别用作红线，以解释R提供的用于研究时间序列的软件包的多样性。

在 质量控制中，平均值和标准差的稳定性至关重要，以 history of one of the first statistical efforts to maintain industrial quality, the control chart为例。在这方面， qcc是 most classical quality control diagrams: Shewhart quality control, cusum and EWMA charts的引用实现。

旧的但仍处于事件状态的 mvoutlier和较新的 AnomalyDetection专​​注于 异​​常值检测。 mvoutlier主要使用马氏距离，并且可以使用Filzmoser，Maronna和Werner(2007)的算法处理二维数据集(栅格)，甚至处理多维数据集。 AnomalyDetection使用 time series decomposition来识别局部异常(异常值)和全局异常(变化无法用季节性模式解释)。
和 BreakoutDetection

作为AnomalyDetection的一部分， BreakoutDetection已在2014年由twitter开源。 BreakoutDetection， open-sourced in 2014 by Twitter打算使用非参数统计来检测 突破 it时间序列，即异常组。突破的检测非常接近趋势的检测和对模式的理解。在类似的光学系统中， brca包专注于分析不规则采样的时间序列，尤其是识别 behavioral changes in animal movement。

绝对转向确定趋势中的 变化 changepoint实现了多种(简单)频繁使用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)时间序列并处理丢失的数据。