modeltime

在 R 中进行整洁的时间序列预测。

使命：我们的首要目标是让高性能的时间序列分析更加简单、快速且可扩展。Modeltime 通过一套易于使用的基础设施来建模和预测时间序列，从而实现这一目标。

快速入门视频

对于喜欢视频教程的用户，我们提供了一个 11 分钟的 YouTube 视频，带您逐步了解 Modeltime 工作流程。

（点击观看 YouTube）

教程

• Modeltime 入门： 介绍使用 modeltime 进行预测的 6 步流程。

• Modeltime 文档： 学习如何 使用 modeltime、查找 Modeltime 模型，以及 扩展 modeltime，以便在 Modeltime 工作流程 中使用新的算法。

安装

CRAN 版本：

install.packages("modeltime", dependencies = TRUE)

开发版本：

remotes::install_github("business-science/modeltime", dependencies = TRUE)

为什么选择 modeltime？

Modeltime 将时间序列模型和机器学习整合到一个框架中

无需在不同的框架之间来回切换。modeltime 让机器学习和经典的时间序列分析得以统一。

• forecast：使用 ARIMA、ETS 等模型，未来还将支持更多模型（arima_reg()、arima_boost() 和 exp_smoothing()）。
• prophet：使用 Facebook 的 Prophet 算法（prophet_reg() 和 prophet_boost()）。
• tidymodels：使用任何 parsnip 模型：rand_forest()、boost_tree()、linear_reg()、mars()、svm_rbf() 等进行预测。

更快地进行预测

用于预测的简化工作流程

Modeltime 提供了一个简化的预测工作流程（参见 Modeltime 入门），帮助您采用最佳实践进行预测。

---

---

认识 Modeltime 生态系统

了解不断发展的预测工具生态系统

Modeltime 是一个不断增长的 Modeltime 预测工具生态系统的一部分。

• Modeltime（机器学习）

• Modeltime H2O（AutoML）

• Modeltime GluonTS（深度学习）

• Modeltime Ensemble（预测融合）

• Modeltime Resample（回测）

• Timetk（特征工程、数据整理、时间序列可视化）

总结

Modeltime 是一个强大的时间序列预测生态系统。然而，掌握它可能需要较长时间：

• 涉及多种算法
• 预测融合与重采样
• 机器学习
• 深度学习
• 可扩展建模：处理上万条时间序列

您可能会想，我该如何学会时间序列预测呢？这里有一个能为您节省多年摸索时间的解决方案。

参加高性能预测课程

成为贵组织的预测专家

高性能时间序列预测课程

时间序列正在变革

时间序列正在发生变化。如今，企业每天需要进行超过一万次的时间序列预测。 我称之为“高性能时间序列预测系统”（HPTSF）——准确、稳健且可扩展的预测。

高性能预测系统将通过提高准确性和可扩展性为企业节省成本。 想象一下，如果您能够为您的组织提供一个“高性能时间序列预测系统”（HPTSF 系统），您的职业生涯将会发生怎样的变化。

如何学习高性能时间序列预测

我在我的高性能时间序列预测课程 中教授如何构建 HPTFS 系统。您将学习：

• 使用 Modeltime 的 时间序列机器学习（最前沿技术）——包含 30 多种模型（Prophet、ARIMA、XGBoost、随机森林等）。
• 使用 GluonTS 的 深度学习（竞赛获奖技术）。
• 时间序列预处理、降噪和异常检测。
• 使用滞后变量和外部回归因子进行 特征工程。
• 超参数调优。
• 时间序列交叉验证。
• 融合多种机器学习和单变量建模技术（竞赛获奖方法）。
• 可扩展预测——并行预测上千条时间序列。
• 以及其他内容。

成为贵组织的时间序列专家。

立即参加高性能时间序列预测课程

Modeltime 快速上手指南

Modeltime 是一个用于 R 语言的高效时间序列预测框架，旨在简化机器学习与经典时间序列模型（如 ARIMA、Prophet）的统一调用流程，支持大规模并行预测。

环境准备

• 操作系统：Windows、macOS 或 Linux
• R 版本：建议 R 4.0 及以上版本
• 前置依赖：
  • tidymodels 生态系统（含 parsnip, recipes, workflows 等）
  • timetk（用于时间序列特征工程与可视化）
  • 可选：prophet、xgboost、randomForest 等具体算法包（Modeltime 会自动处理大部分依赖）

💡 提示：国内用户可配置 CRAN 镜像加速安装，例如使用清华大学镜像：

options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN"))

安装步骤

方式一：安装 CRAN 稳定版（推荐）

install.packages("modeltime", dependencies = TRUE)

方式二：安装 GitHub 开发版（获取最新功能）

remotes::install_github("business-science/modeltime", dependencies = TRUE)

若未安装 remotes 包，请先运行：install.packages("remotes")

基本使用

以下是最简化的 6 步预测流程示例（基于内置数据集 m750）：

library(modeltime)
library(timetk)
library(tidymodels)

# 1. 加载数据
data(m750)

# 2. 划分训练集与测试集
split <- time_series_split(m750, assess = "3 months", cumulative = TRUE)

# 3. 定义模型（以随机森林为例）
wf_spec <- workflow() %>%
  add_model(
    rand_forest(mode = "regression") %>% set_engine("ranger")
  ) %>%
  add_recipe(
    recipe(value ~ date, data = m750) %>%
      step_date(date, features = c("month", "dow")) %>%
      step_lag(value, lag = 1:12)
  )

# 4. 创建 Modeltime Table
model_table <- modeltime_table(
  wf_spec
)

# 5. 拟合模型
fitted_table <- model_table %>%
  modeltime_fit_resamples(
    resamples = split,
    control = control_resamples(save_pred = TRUE)
  )

# 6. 生成预测
forecast_results <- fitted_table %>%
  modeltime_forecast(
    new_data = m750,
    actual_data = m750
  )

# 可视化结果
forecast_results %>%
  plot_modeltime_forecast(.facet_by = "id", .interactive = FALSE)

该流程统一了数据预处理、模型训练、交叉验证与预测输出，支持轻松切换至 ARIMA、Prophet、XGBoost 等数十种算法，并可扩展至成千上万条时间序列的并行预测。