Прогнозування двійкових часових рядів

12

У мене є двійковий часовий ряд з 1, коли машина не рухається, і 0, коли машина рухається. Я хочу зробити прогноз на часовий горизонт до 36 годин вперед і на кожну годину.

Першим моїм підходом було використання Naive Bayes, використовуючи такі входи: t-24 (щоденний сезон), t-48 (сезонний тиждень), година дня. Однак результати не дуже хороші.

Які статті чи програмне забезпечення ви рекомендуєте вирішити для цієї проблеми?

r time-series forecasting binary-data

— Рікардо Бесса
джерело

подивіться, чи це допомагає math.bme.hu/~morvai/publications/papers/… добрий день

— Mithun Ashok

Ви розглядали приховану модель маркова?

— Рам Ахлувалія

Дякую за відповіді. Але чи є вже якийсь програмний пакет із деякими реалізаціями? Я шукав R, але я знайшов лише VLMC пакет. Дякую, Рікардо Бесса

Рікардо, вам слід відредагувати своє запитання цією додатковою інформацією, а не додавати її як відповідь. Дякуємо, і ласкаво просимо на сайт!

— Аарон залишив стек переповнення

Чи є у ваших даних дійсно два типи 1-х? Тобто, 1 означає, що автомобіль може рухатися, але це не проти 1, що означає, що ваш автомобіль справді не міг рухатися в цей час. Це можна було б назвати одноінфляційним (зазвичай це нульовий рівень). Якщо це так, вам потрібно моделювати, коли автомобіль може рухатися чи ні, а не коли він може рухатися, але ні.

— Уейн

6

Можна використовувати узагальнені моделі ARMA (GLARMA). Див., Наприклад, Kedem and Fokianos (2002), регресійні моделі для аналізу часових рядів.

Дивіться також гларму пакету R (на CRAN)

— hbaghishani
джерело

Цю відповідь не слід було оскаржувати.

— usεr11852

3

В R пакет bsts дозволяє оцінити Байєсова модель структурної часових рядів з бінарними цілями шляхом установки family = 'logit'. Зауважте, що для цих моделей часто потрібні триваліші пробіги, ніж дані Гаусса (наприклад, niter = 10000).

— нюх
джерело

2

Як щодо використання логістичної регресії з деякими часовими затримками (щоденними, щотижневими) в якості прогнозів? (Більшість пакетів статистичних програм мають логістичну регресію). Це трохи зйомки в темряві - ви можете поділитися даними чи сюжетом?

— Галіт Шмуелі
джерело

2

Модель прихованого маркова - послідовна версія Naive Bayes. У наївних баях у вас є мітка з кількома можливими значеннями (у вашому випадку 0/1) та набором функцій. Значення для y вибирається моделюючи p (особливості | label) * p (label).

У прихованій марковій моделі послідовність міток прогнозується моделюванням p (мітка | попередня мітка) та P (функції | мітка).

— Алекс Ягня
джерело