การพยากรณ์อนุกรมเวลาไบนารี

12

ฉันมีซีรี่ย์เวลาแบบไบนารี่ด้วย 1 เมื่อรถไม่เคลื่อนที่และ 0 เมื่อรถเคลื่อนที่ ฉันต้องการพยากรณ์ล่วงหน้าเป็นเวลานานถึง 36 ชั่วโมงและทุกชั่วโมง

วิธีแรกของฉันคือใช้ Naive Bayes โดยใช้ข้อมูลต่อไปนี้: t-24 (ทุกวันตามฤดูกาล), t-48 (ฤดูกาลประจำสัปดาห์), ชั่วโมงของวัน อย่างไรก็ตามผลลัพธ์ไม่ดีมาก

คุณแนะนำบทความหรือซอฟต์แวร์ใดสำหรับปัญหานี้

r time-series forecasting binary-data

— Ricardo Bessa
แหล่งที่มา

ดูว่าสิ่งนี้จะช่วยให้math.bme.hu/~morvai/publications/papers/…วันที่ดี

— Mithun Ashok

คุณคิดว่าเป็นโมเดลมาร์คอฟที่ซ่อนอยู่หรือไม่?

— Ram Ahluwalia

ขอบคุณสำหรับคำตอบ แต่มีแพคเกจซอฟต์แวร์ใดบ้างที่มีอยู่แล้วในการใช้งานบางอย่าง? ฉันค้นหาใน R แต่ฉันพบแพ็คเกจ VLMC เท่านั้น ขอบคุณ Ricardo Bessa

Ricardo คุณควรแก้ไขคำถามของคุณด้วยข้อมูลเพิ่มเติมนี้แทนที่จะเพิ่มเป็นคำตอบ ขอขอบคุณและยินดีต้อนรับสู่เว็บไซต์!

— Aaron ออกจาก Stack Overflow

ในข้อมูลของคุณมี 1 ประเภทสองประเภทหรือไม่? นั่นคือ 1 หมายถึงรถสามารถเคลื่อนไหวได้ แต่ไม่ใช่กับ 1 หมายความว่ารถของคุณไม่สามารถเคลื่อนที่ได้ในขณะนี้ นั่นเรียกว่าหนึ่งเงินเฟ้อ (โดยปกติแล้วจะเป็นศูนย์เงินเฟ้อ) ถ้าเป็นเช่นนั้นคุณจำเป็นต้องสร้างแบบจำลองเมื่อรถสามารถเคลื่อนที่ได้หรือไม่เมื่อเทียบกับเมื่อมันอาจเคลื่อนที่ แต่ไม่ใช่

— Wayne

6

คุณสามารถใช้โมเดล ARMA ทั่วไป (GLARMA) ดูตัวอย่างเช่น Kedem และ Fokianos (2002), ตัวแบบการถดถอยสำหรับการวิเคราะห์อนุกรมเวลา

ดูเพิ่มเติมที่ R package glarma (บน CRAN)

— hbaghishani
แหล่งที่มา

คำตอบนี้ไม่ควรถูกลดลง

— usεr11852

3

แพคเกจ R BSTsfamily = 'logit'ช่วยให้คุณสามารถประเมินคชกรรมโครงสร้างแบบจำลองอนุกรมเวลาที่มีเป้าหมายไบนารีโดยการตั้งค่า อย่างไรก็ตามโปรดทราบว่ารุ่นเหล่านี้มักต้องใช้เวลานานกว่าข้อมูลแบบเกาส์เซียน (เช่น, niter = 10000)

— ulfelder
แหล่งที่มา

2

วิธีการเกี่ยวกับการใช้การถดถอยโลจิสติกที่มีความล่าช้าเวลา (รายวันรายสัปดาห์) เป็นตัวทำนาย? (แพคเกจซอฟต์แวร์ทางสถิติส่วนใหญ่มีการถดถอยโลจิสติก) มันเป็นการถ่ายภาพในที่มืดคุณสามารถแบ่งปันข้อมูลหรือพล็อตได้หรือไม่?

— Galit Shmueli
แหล่งที่มา

2

โมเดล markov ที่ซ่อนอยู่เป็นรุ่นต่อเนื่องของ Naive Bayes ในเบย์ไร้เดียงสาคุณมีป้ายกำกับที่มีค่าที่เป็นไปได้หลายอย่าง (ในกรณีของคุณ 0/1) และชุดคุณลักษณะ ค่าสำหรับ y ถูกเลือกโดยการสร้างแบบจำลอง p (features | label) * p (label)

ในโมเดลมาร์คอฟที่ซ่อนอยู่ลำดับของฉลากจะถูกทำนายโดยการสร้างแบบจำลอง p (label | label ก่อนหน้า) และ P (features | label)

— อเล็กซ์แลมบ์
แหล่งที่มา