Прогнозирование двоичных временных рядов

12

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

посмотрим, поможет ли это math.bme.hu/~morvai/publications/papers/… добрый день

— Mithun Ashok

Вы рассматривали скрытую марковскую модель?

— Рам Ахлувалия

Спасибо за ответы. Но есть ли какой-либо программный пакет, уже доступный с некоторыми реализациями? Я искал в R, но я нашел только пакет VLMC. Спасибо, Рикардо Бесса

Рикардо, вы должны отредактировать свой вопрос с помощью этой дополнительной информации, а не добавлять его в качестве ответа. Спасибо и добро пожаловать на сайт!

— Аарон оставил переполнение стека

Есть ли в ваших данных два типа единиц? То есть 1 означает, что автомобиль может двигаться, но не равен 1, что означает, что ваша машина действительно не может двигаться в это время. Это можно назвать одноинфляцией (обычно это нулевая инфляция). Если это так, вам нужно моделировать, когда автомобиль может двигаться или нет, а не когда он может двигаться.

— Уэйн

6

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)

— hbaghishani
источник

Этот ответ не должен был быть опущен.

— usεr11852

3

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).

— ulfelder
источник

2

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?

— Галит Шмуэли
источник

2

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).

— Алекс Лэмб
источник