Prévision de séries chronologiques binaires

12

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
source

voir si cela aide math.bme.hu/~morvai/publications/papers/… bonne journée

— Mithun Ashok

Avez-vous envisagé un modèle de Markov caché?

— Ram Ahluwalia

Merci pour les réponses. Mais existe-t-il un package logiciel déjà disponible avec certaines implémentations? J'ai cherché dans R, mais je n'ai trouvé que le package VLMC. Merci, Ricardo Bessa

Ricardo, vous devriez éditer votre question avec ces informations supplémentaires au lieu de l'ajouter comme réponse. Merci et bienvenue sur le site!

— Aaron a quitté Stack Overflow le

Existe-t-il vraiment deux types de 1 dans vos données? Autrement dit, 1 signifie que la voiture pourrait se déplacer, mais n'est pas contre 1, ce qui signifie que votre voiture ne pouvait vraiment pas se déplacer pour le moment. Cela s'appellerait une inflation unique (c'est généralement une inflation nulle). Si c'est le cas, vous devez modéliser quand la voiture peut se déplacer ou non par rapport à quand elle peut se déplacer mais ne l'est pas.

— Wayne

6

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)

— hbaghishani
source

Cette réponse n'aurait pas dû être déclassée.

— usεr11852

3

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).

— ulfelder
source

2

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?

— Galit Shmueli
source

2

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).

— Alex Lamb
source