J'ai une série temporelle binaire avec 1 lorsque la voiture ne bouge pas et 0 lorsque la voiture se déplace. Je veux faire une prévision pour un horizon temporel jusqu'à 36 heures à l'avance et pour chaque heure.
Ma première approche a été d'utiliser un Naive Bayes en utilisant les entrées suivantes: t-24 (saisonnier quotidien), t-48 (saisonnier hebdomadaire), heure de la journée. Cependant, les résultats ne sont pas très bons.
Quels articles ou logiciels recommandez-vous pour ce problème?
r
time-series
forecasting
binary-data
Ricardo Bessa
la source
la source
Réponses:
Vous pouvez utiliser des modèles ARMA généralisés (GLARMA). Voir, par exemple, Kedem et Fokianos (2002), Regression Models for Time Series Analysis.
Voir aussi package R glarma (sur CRAN)
la source
Le package R bsts vous permet d'estimer des modèles de séries chronologiques structurelles bayésiennes avec des cibles binaires en les définissant
family = 'logit'
. Notez, cependant, que ces modèles nécessitent souvent des exécutions plus longues que les données gaussiennes (par exemple,niter = 10000
).la source
Que diriez-vous d'utiliser la régression logistique avec des décalages temporels (quotidiens, hebdomadaires) comme prédicteurs? (la plupart des progiciels statistiques ont une régression logistique). C'est un peu de prise de vue dans l'obscurité - pouvez-vous partager les données ou une intrigue?
la source
Le modèle Markov caché est la version séquentielle de Naive Bayes. Dans les bayes naïves, vous avez une étiquette avec plusieurs valeurs possibles (dans votre cas 0/1) et un ensemble de fonctionnalités. La valeur de y est sélectionnée en modélisant p (entités | étiquette) * p (étiquette).
Dans un modèle markov caché, une séquence d'étiquettes est prédite en modélisant p (étiquette | étiquette précédente) et P (entités | étiquette).
la source