Prognozowanie binarnych szeregów czasowych


12

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?


zobacz, czy to pomoże math.bme.hu/~morvai/publications/papers/… dzień dobry
Mithun Ashok

Czy rozważałeś ukryty model markowa?
Ram Ahluwalia,

Dziękuję za odpowiedzi. Ale czy jest już dostępny jakiś pakiet oprogramowania z niektórymi implementacjami? Szukałem w R, ale znalazłem tylko pakiet VLMC. Dzięki, Ricardo Bessa

Ricardo, powinieneś edytować swoje pytanie za pomocą tych dodatkowych informacji zamiast dodawać je jako odpowiedź. Dzięki i witamy na stronie!
Aaron opuścił Stack Overflow

Czy w twoich danych są naprawdę dwa typy 1? Oznacza to, że 1 oznacza, że ​​samochód może się poruszać, ale nie jest w porównaniu z 1, co oznacza, że ​​Twój samochód naprawdę nie może się teraz poruszać. Można to nazwać inflacją jednopompową (zwykle jest to inflacja zerowa). Jeśli tak, musisz modelować, kiedy samochód może się poruszać, czy nie, a kiedy może się poruszać, ale nie.
Wayne,

Odpowiedzi:


6

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)


Ta odpowiedź nie powinna była zostać odrzucona.
usεr11852

3

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 (np niter = 10000.).


2

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?


2

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).

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.