У меня есть двоичный временной ряд с 1, когда автомобиль не движется, и 0, когда автомобиль движется. Я хочу сделать прогноз на период до 36 часов вперед и на каждый час.
Мой первый подход состоял в том, чтобы использовать наивный байесовский метод, используя следующие входные данные: t-24 (ежедневный сезон), t-48 (еженедельный сезон), час дня. Однако результаты не очень хорошие.
Какие статьи или программное обеспечение вы рекомендуете для этой проблемы?
r
time-series
forecasting
binary-data
Рикардо Бесса
источник
источник
Ответы:
Вы можете использовать обобщенные модели ARMA (GLARMA). См., Например, Kedem and Fokianos (2002), Модели регрессии для анализа временных рядов.
Смотрите также R пакет glarma (на CRAN)
источник
Пакет R bsts позволяет оценивать байесовские модели структурных временных рядов с помощью двоичных целей путем установки
family = 'logit'. Обратите внимание, однако, что эти модели часто требуют более длинных прогонов, чем данные Гаусса (например,niter = 10000).источник
Как насчет использования логистической регрессии с некоторыми временными задержками (ежедневно, еженедельно) в качестве предикторов? (большинство статистических программных пакетов имеют логистическую регрессию). Это немного стрельба в темноте - вы можете поделиться данными или сюжетом?
источник
Модель Скрытого Маркова является последовательной версией Наивного Байеса. В наивных байесах у вас есть метка с несколькими возможными значениями (в вашем случае 0/1) и набор функций. Значение для y выбирается путем моделирования p (features | label) * p (label).
В скрытой марковской модели последовательность меток прогнозируется путем моделирования p (метка | предыдущая метка) и P (функции | метка).
источник