Как упомянул @Christopher Lauden выше, анализ временных рядов наиболее подходит для такого рода вещей. Однако, если вы хотите использовать более традиционный «подход машинного обучения», то, что я делал в прошлом, - это блокирование ваших данных в виде перекрывающихся окон времени в качестве функций, а затем использование их для прогнозирования следующих дней (или недель). ) движение.
Ваша функциональная матрица будет выглядеть примерно так:
t1 | t2 | ... | tN
t2 | t3 | ... | tN+1
t3 | t4 | ... | tN+2
...
tW | tW+1 | ... |tN+W
где tI
движение в день I
. Функция, которую вы прогнозируете, - это трафик на следующий день после последнего столбца. По сути, используйте окно трафика для прогнозирования трафика на следующий день.
Для этого подойдет любая модель ML.
редактировать
В ответ на вопрос «можете ли вы рассказать, как вы используете эту функциональную матрицу»:
Матрица объектов имеет значения, указывающие прошлый трафик за период времени (например, почасовой трафик за 1 неделю), и мы используем это для прогнозирования трафика на некоторый указанный период времени в будущем. Мы берем наши исторические данные и строим матрицу объектов исторического трафика и помечаем их трафиком в определенный период в будущем (например, через 2 дня после окна в функции). Используя некоторую модель регрессионного машинного обучения, мы можем взять исторические данные о трафике и попытаться построить модель, которая может предсказать, как трафик перемещался в нашем наборе исторических данных. Предполагается, что будущий трафик будет напоминать прошлый трафик.