Önceki etkinliklerin zamanlarına bağlı olarak bir sonraki etkinliğin ne zaman gerçekleştiğini nasıl tahmin edebilirim?

Ben bir lise öğrencisiyim ve bir bilgisayar programlama projesi üzerinde çalışıyorum, ancak bir lise istatistik dersinin ötesinde istatistik ve modelleme verileri konusunda çok fazla deneyimim yok, bu yüzden kafam karıştı.

Temel olarak, birisinin bir belgeyi yazdırmaya karar verdiği zamanlarda oldukça büyük bir listem var (herhangi bir istatistiksel test veya önlem için varsayımları karşılayacak kadar büyük olduğunu varsayın). Bu listeye dayanarak, önceki etkinlik zamanlarının tümü göz önüne alındığında, bir sonraki yazdırma işi için en muhtemel zamanı tahmin edecek bir tür istatistiksel model oluşturmak istiyorum.

Okuduğum bu , ancak yanıtlar aynen Projem için aklında ne ile yardımcı olmamaktadır. Bazı ek araştırmalar yaptım ve bir Gizli Markov Modelinin muhtemelen bunu doğru bir şekilde yapmama izin verdiğini buldum, ancak sadece bir liste kullanarak Gizli Markov Modelinin nasıl oluşturulacağına dair bir bağlantı bulamıyorum. Listede bir Kalman filtresi kullanmanın yararlı olabileceğini de buldum, ancak temelde, onları gerçekten kullanan ve sadece bir şey denemeden ve çalışmasını ummadan önce sınırlarını ve gereksinimlerini bilen birinden daha fazla bilgi almak istiyorum.

Çok teşekkürler!

Veriler, gözlemlenmeyen bazı Markov modelinden kaynaklanan rastgele emisyonlar ise gizli Markov modelleri uygulanacaktır; Bunu göz ardı etmem, ama çok doğal bir model gibi görünmüyor.

Verilerinizle iyi eşleşen nokta süreçleri hakkında düşünürdüm . Depremleri tahmin etmek için çok fazla çalışma var (bunun hakkında fazla bir şey bilmememe rağmen) ve hatta suç .

Birçok farklı insan baskı yapıyorsa ve sadece zamanları görüyorsunuz, ancak bireysel kimlikleri görmüyorsanız, bir Poisson süreci iyi çalışabilir (birden fazla bağımsız nokta sürecinin üst üste binmesi yaklaşık Poisson'dur), ancak homojen olmamalıdır ( bir noktanın şansı zaman içinde değişir): insanların saat 15: 00'ten daha az yazdırma olasılığı daha düşüktür.

İçin homojen olmayan Poisson süreci modeli, anahtar belirli bir günde belirli bir zamanda bir yazdırma işinin şans iyi bir tahmin elde olurdu.

Bu baskı süreleri bir sınıftaki öğrenciler içinse, bağımsız olmaları muhtemel olmadığından ve Poisson süreci iyi çalışmadığı için oldukça zor olabilir.

İşte suç uygulamasıyla ilgili bir makaleye bağlantı .

Çok değişkenli Bayes tarama istatistiğinin (MBSS) kullanılması muhtemel sürenin tahmin edilmesine yardımcı olabilir. Bu MBSS, olay algılamanın zamanında ve doğruluğunu iyileştirme avantajına sahiptir.