sweep <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/bba880cd-a5b1-4430-9689-eda71fceaaa3.png" width="147" height="170" align="right" />

将broom扩展到时间序列预测

<!-- badges: start -->

<!-- badges: end -->

sweep包扩展了broom工具（tidy、glance和augment），用于在"tidyverse"中执行预测和时间序列分析。该包旨在"整理"Rob Hyndman的forecast包中使用的预测工作流程。

优点

• 专为使用R for Data Science中的tidyverse工具进行建模和扩展预测而设计
• 扩展broom用于模型分析（ARIMA、ETS、BATS等）
• 整理forecast对象，便于绘图和"整洁"数据操作
• 集成timetk以在整理后的预测输出中启用日期和日期时间（不规则时间序列）

工具

该包包含以下元素：

1. 模型整理器：sw_tidy、sw_glance、sw_augment、sw_tidy_decomp函数扩展了broom包中的tidy、glance和augment，专门用于预测模型（ets()、Arima()、bats()等）。

2. 预测整理器：sw_sweep将forecast对象转换为可以在"tidyverse"中轻松操作的tibble。

在tidyverse中进行预测

sweep能够将forecast对象转换为tibble。这样就可以使用dplyr、tidyr和ggplot原生地操作、分析和可视化预测结果。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/625c1c51-cfc4-4583-aa1f-551295bd06db.png" width="100%" />

大规模预测多个时间序列组

通常需要对分组数据进行预测以分析子类别的趋势。好消息是，使用各种sw_函数结合dplyr和purrr，从一个时间序列扩展到多个时间序列很容易。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/72523dd4-5e30-45a6-a307-8bcdf59d8a51.png" width="100%" />

预测多个模型以提高准确性

预测中的一个常见目标是比较不同的预测模型。sweep在这方面也提供了帮助。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/b718b0dc-d73c-43e5-82c0-3f59db5b7151.png" width="100%" />

用于预测的broom扩展

如果你熟悉broom，你就知道它在获取"整洁"格式的模型组件方面有多有用。sweep将这一优势扩展到forecast包工作流程中，包括以下函数：

• sw_tidy：返回模型系数（单列）
• sw_glance：返回准确度统计（单行）
• sw_augment：返回残差
• sw_tidy_decomp：返回季节性分解
• sw_sweep：返回整洁的预测输出。

兼容性图表如下所示。

对象	sw_tidy()	sw_glance()	sw_augment()	sw_tidy_decomp()	sw_sweep()
ar
arima	X	X	X
Arima	X	X	X
ets	X	X	X	X
baggedETS
bats	X	X	X	X
tbats	X	X	X	X
nnetar	X	X	X
stl				X
HoltWinters	X	X	X	X
StructTS	X	X	X	X
tslm	X	X	X
decompose				X
adf.test	X	X
Box.test	X	X
kpss.test	X	X
forecast					X

函数兼容性

安装

以下是如何开始使用的方法。

包含最新功能的开发版本：

# install.packages("remotes")
remotes::install_github("business-science/sweep")

更多信息

sweep包包含几个vignettes，帮助用户快速上手：

• SW00 - sweep简介
• SW01 - 在tidyverse中预测时间序列组
• SW02 - 使用多个模型进行预测