Dự báo chuỗi thời gian nhị phân

12

Tôi có một chuỗi thời gian nhị phân với 1 khi xe không di chuyển và 0 khi xe đang di chuyển. Tôi muốn đưa ra một dự báo cho một khoảng thời gian lên tới 36 giờ phía trước và cho mỗi giờ.

Cách tiếp cận đầu tiên của tôi là sử dụng Naive Bayes bằng các đầu vào sau: t-24 (theo mùa hàng ngày), t-48 (theo mùa hàng tuần), giờ trong ngày. Tuy nhiên, kết quả không được tốt lắm.

Những bài viết hoặc phần mềm nào bạn đề nghị cho vấn đề này?

r time-series forecasting binary-data

— Ricardo Bessa
nguồn

hãy xem điều này có giúp ích cho math.bme.hu/~morvai/publications/ con / Good good day

— Mithun Ashok

Bạn đã xem xét một mô hình markov ẩn?

— Ram Ahluwalia

Cảm ơn câu trả lời. Nhưng có gói phần mềm nào đã có sẵn với một số triển khai không? Tôi đã tìm kiếm trong R, nhưng tôi chỉ tìm thấy gói VLMC. Cảm ơn, Ricardo Bessa

Ricardo, bạn nên chỉnh sửa câu hỏi của bạn với thông tin bổ sung này thay vì thêm nó như một câu trả lời. Cảm ơn, và chào mừng đến với trang web!

— Aaron rời Stack Overflow

Có thực sự có hai loại 1 trong dữ liệu của bạn không? Đó là, 1 có nghĩa là chiếc xe có thể đang di chuyển nhưng không so với 1 có nghĩa là chiếc xe của bạn thực sự không thể di chuyển vào thời điểm này. Điều đó sẽ được gọi là lạm phát một (thường là lạm phát bằng không). Nếu vậy, bạn cần phải mô hình khi xe có thể di chuyển hoặc không so với khi nó có thể đang di chuyển nhưng không.

— Wayne

6

Bạn có thể sử dụng các mô hình ARMA tổng quát (GLARMA). Xem, ví dụ, Kedem và Fokianos (2002), Mô hình hồi quy để phân tích chuỗi thời gian.

Xem thêm gói R glarma (trên CRAN)

— hbaghishani
nguồn

Câu trả lời này không nên bị đánh giá thấp.

— usεr11852 nói Phục hồi Monic

3

Bsts gói R cho phép bạn ước tính các mô hình chuỗi thời gian cấu trúc Bayes với các mục tiêu nhị phân bằng cách cài đặt family = 'logit'. Tuy nhiên, lưu ý rằng các mô hình này thường yêu cầu chạy lâu hơn dữ liệu Gaussian (ví dụ niter = 10000:).

— ulfelder
nguồn

2

Làm thế nào về việc sử dụng hồi quy logistic với một số độ trễ thời gian (hàng ngày, hàng tuần) như dự đoán? (hầu hết các gói phần mềm thống kê có hồi quy logistic). Đó là một chút chụp trong bóng tối - bạn có thể chia sẻ dữ liệu hoặc cốt truyện không?

— Galit Shmueli
nguồn

2

Mô hình Hidden markov là phiên bản tuần tự của Naive Bayes. Trong các vịnh ngây thơ, bạn có một nhãn với một số giá trị có thể (trong trường hợp của bạn là 0/1) và một bộ các tính năng. Giá trị cho y được chọn bằng cách lập mô hình p (tính năng | nhãn) * p (nhãn).

Trong một mô hình markov ẩn, một chuỗi các nhãn được dự đoán bằng cách mô hình hóa p (nhãn | nhãn trước) và P (tính năng | nhãn).

— Alex Lamb
nguồn