Mam binarne szeregi czasowe z 1, gdy samochód się nie porusza, i 0, gdy samochód się porusza. Chcę zrobić prognozę dla horyzontu czasowego do 36 godzin do przodu i dla każdej godziny.
Moje pierwsze podejście polegało na użyciu Naiwnego Bayesa przy użyciu następujących danych wejściowych: t-24 (codziennie sezonowo), t-48 (tygodniowo sezonowo), w ciągu dnia. Jednak wyniki nie są bardzo dobre.
Jakie artykuły lub oprogramowanie polecasz w przypadku tego problemu?
r
time-series
forecasting
binary-data
Ricardo Bessa
źródło
źródło
Odpowiedzi:
Możesz używać uogólnionych modeli ARMA (GLARMA). Patrz na przykład Kedem i Fokianos (2002), Modele regresji do analizy szeregów czasowych.
Zobacz także pakiet R glarma (na CRAN)
źródło
Pakiet R bsts umożliwia oszacowanie modeli bayesowskich strukturalnych szeregów czasowych z celami binarnymi poprzez ustawienie
family = 'logit'
. Należy jednak pamiętać, że modele te często wymagają dłuższych przebiegów niż dane Gaussa (npniter = 10000
.).źródło
Co powiesz na zastosowanie regresji logistycznej z pewnymi opóźnieniami (dziennymi, tygodniowymi) jako predyktorami? (większość statystycznych pakietów oprogramowania ma regresję logistyczną). To trochę kręcenie w ciemności - czy możesz udostępnić dane lub fabułę?
źródło
Model Hidden Markov to sekwencyjna wersja Naive Bayes. W naiwnych bayesach masz etykietę z kilkoma możliwymi wartościami (w twoim przypadku 0/1) i zestawem funkcji. Wartość y jest wybierana przez modelowanie p (cechy | etykieta) * p (etykieta).
W ukrytym modelu markowa sekwencja etykiet jest przewidywana przez modelowanie p (etykieta | poprzednia etykieta) i P (cechy | etykieta).
źródło