tsrobprep-用于时间序列数据稳健预处理的R包

@文章{Narajewski2021tsrobprepA，title={tsrobprep-时间序列数据稳健预处理的R包}，作者={MichałNarajewski和Jens Kley-Holsteg以及Florian Ziel}，日志={SoftwareX}，年份={2021}，体积={16}，页数={100809}，url={https://api.semanticscholar.org/CorpusID:233394533}}
[PDF]语义阅读器
3引文
方法引文
1

本文图表

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

3引文

时间序列数据和最近缺失数据的推测技术：综述

该综述重点介绍了目前在单变量和多变量时间序列数据的数据预处理阶段处理缺失值的方法，以及用于评估插补方法性能的方法，并包括这些方法在实际中的一些优缺点。

IEEE数据端口日前电力需求预测竞争中短期负荷预测的平滑Bernstein在线聚合：后COVID范式

日前负荷预测方法基于一种新型的在线预测组合，该组合由多点预测模型组成，能够快速调整以适应新能源系统在新冠肺炎疫情期间和之后发生的情况。

德国电力不平衡价格的概率预测

不平衡市场非常不稳定，经常出现极端的价格飙升。这使得建模非常困难；然而，如果预测正确，人们可以通过参与…

20参考文献

R中单变量时间序列插补不同方法的比较

结果表明，在本文评估的大多数场景中，使用zoo软件包中的季节卡尔曼滤波插值或对预测软件包中季节性黄土分解数据进行线性插值是处理缺失数据的最有效方法。

imputeTS：R中的时间序列缺失值插补

本文介绍了imputeTS包及其提供的算法和工具，并简要概述了R中的单变量时间序列插补。

基于模型的聚类、判别分析和密度估计

这项工作回顾了基于模型的聚类的一般方法，该方法为聚类分析中出现的重要实际问题提供了一种原则性统计方法，例如有多少个聚类、应使用哪种聚类方法以及应如何处理离群值。

MICE：R中链式方程的多元插补

鼠标增加了用于输入多级数据、自动预测器选择、数据处理、后处理输入值、专用池例程、模型选择工具和诊断图的新功能。

zoo:S3用于规则和不规则时间序列的基础设施

子类“zoreg”将规则时间序列嵌入到“zoo”框架中，从而在R中弥合规则和非规则时间序列类之间的差距。

用R包VIM进行插补

VIM的图形用户界面已经从头开始重新实现，从而产生了VIMGUI包，使没有广泛R技能的用户能够访问这些插补和可视化方法。

自动时间序列预测：R的预测包

描述了在R预测包中实现的两种自动预测算法，它们基于创新状态空间模型，该模型采用指数平滑方法。

mclust 5:使用高斯有限混合模型进行聚类、分类和密度估计

此更新版本的mclust添加了新的协方差结构、可视化的降维功能、模型选择标准、EM算法的初始化策略和基于bootstrap的推理，使其成为通过有限混合建模进行数据分析的全功能R包。

Amelia II：缺失数据程序

Amelia II软件包使用引导算法实现了一种新的期望最大化，与各种马尔可夫链蒙特卡罗方法相比，该算法工作速度更快，变量数量更多，使用更容易，但给出的答案基本相同。

日内电价的集合预测：模拟轨迹