预处理多元时间序列

Question

假设我已经通过对一组变量的时间观察来建立索引。

   A        B      C       D     ...    V   day
 16.50   14.00   53.00   45.70   ...  6.39   1
 17.45   16.00   64.00   46.30   ...  6.00   2
 18.40   12.00   51.00   47.30   ...  6.57   3
 19.35   7.00    42.00   48.40   ...  5.84   4
 20.30   9.00    34.00   49.50   ...  6.36   5
 20.72   10.00   42.00   50.60   ...  5.78   6
 21.14   6.00    45.00   51.90   ...  5.16   7
 21.56   9.00    38.00   52.60   ...  5.62   8
 21.98   2.00    32.00   53.50   ...  4.94   9
 22.78   8.00    29.00   53.80   ...  6.25   10
 ...

基于此数据框，我想为目标变量V构建一个预测模型，其中预测变量是先前观察中的其他一些变量，用时间水平{{0 }}。也就是说，我想适合这种类型的模型

，

其中是错误，而是从某些类的函数中选择的（例如某种神经网络或基于树的方法）。

问题是否有一些软件包可以让我灵活地选择学习算法（可能从其他软件包中选择），同时还可以进行必要的预处理？符合Caret的精神。

思路当然，我可以在数据框中添加一列列，例如A1，A2，...，AK等，其中A1是前一天的A值，A2是2天之前的A值，以此类推。之后，我可以应用任何我想要的软件包。问题是，如果我的初始数据帧很大，那么这个新数据帧将大很多倍（准确地说，约为倍）。如果很大，则这种方法效率很低。

Caret软件包确实具有称为createTimeSlices的功能，但它似乎是为单变量时间序列设计的。这个问题类似于2009年的this older one。那里推荐的软件包似乎并没有达到我上面所描述的。我想知道从那时起是否出现了其他工具。如果python中存在类似信息，我也将不胜感激。