বাইনারি সময় সিরিজ পূর্বাভাস


12

গাড়িটি যখন চলাচল করছে না তখন আমার সাথে বাইনারি টাইম সিরিজ রয়েছে, এবং গাড়িটি যখন চলমান 0 আমি এক সময়ের দিগন্তের জন্য 36 ঘন্টা এগিয়ে এবং প্রতিটি ঘন্টাের জন্য একটি পূর্বাভাস করতে চাই।

আমার প্রথম পদ্ধতিটি ছিল নীচের ইনপুটগুলি ব্যবহার করে একটি নেভ বেইস ব্যবহার করা: টি -24 (প্রতিদিনের মৌসুমী), টি -48 (সাপ্তাহিক মরসুম), দিনের ঘন্টা। তবে ফলাফল খুব ভাল হয় না।

এই সমস্যার জন্য আপনি কোন নিবন্ধ বা সফ্টওয়্যারটি সুপারিশ করেন?



আপনি কি একটি লুকানো মার্কভ মডেল বিবেচনা করেছেন?
রাম আহলুওয়ালিয়া

উত্তরের জন্য ধন্যবাদ। তবে ইতিমধ্যে কিছু বাস্তবায়ন সহ কোনও সফ্টওয়্যার প্যাকেজ পাওয়া যায়? আমি আর-তে অনুসন্ধান করেছি, তবে আমি কেবল ভিএলএমসি প্যাকেজটি পেয়েছি। ধন্যবাদ, রিকার্ডো বেসা

রিকার্ডো, আপনার প্রশ্নটি উত্তর হিসাবে যুক্ত না করে এই অতিরিক্ত তথ্য দিয়ে আপনার সম্পাদনা করা উচিত। ধন্যবাদ, এবং সাইটে আপনাকে স্বাগতম!
অ্যারন

আপনার ডেটাতে আসলে কি 2 প্রকারের আছে? অর্থাত, 1 টির অর্থ গাড়িটি চলতে পারে তবে 1 এর বিপরীতে নয় যে আপনার গাড়িটি এই মুহুর্তে সত্যই চলতে পারে নি। এটিকে এক-মূল্যস্ফীতি বলা হবে (এটি সাধারণত শূন্য-মুদ্রাস্ফীতি)। যদি তা হয়, আপনার গাড়িটি কখন চলতে পারে বা কখন চলন্ত হতে পারে তার বিপরীতে না যখন মডেল করা উচিত।
ওয়েইন

উত্তর:


6

আপনি জেনারেলাইজড এআরএমএ (জিএলআরএমএ) মডেলগুলি ব্যবহার করতে পারেন। উদাহরণস্বরূপ, কেডেম এবং ফোকিয়ানোস (2002), টাইম সিরিজ বিশ্লেষণের জন্য রিগ্রেশন মডেলগুলি দেখুন।

আর প্যাকেজ গ্লারমা (সিআরএএন-তে) দেখুন


এই উত্তরটি হ্রাস করা উচিত হয়নি।
usεr11852

3

আর প্যাকেজ বারস্টস আপনাকে বাইনারি টার্গেটগুলি সেট করে বাইসিয়ান স্ট্রাকচারাল সময় সিরিজের মডেলগুলি অনুমান করতে দেয় family = 'logit'। মনে রাখবেন, এই মডেলগুলিতে প্রায়শই গাউসিয়ান ডেটা (যেমন, niter = 10000) এর চেয়ে দীর্ঘ রান প্রয়োজন হয় ।


2

ভবিষ্যদ্বাণীকারী হিসাবে কিছু সময় পিছনে (দৈনিক, সাপ্তাহিক) লজিস্টিক রিগ্রেশন কীভাবে ব্যবহার করবেন? (বেশিরভাগ পরিসংখ্যান সংক্রান্ত সফ্টওয়্যার প্যাকেজগুলিতে লজিস্টিক রিগ্রেশন থাকে)। এটি কিছুটা অন্ধকারে শ্যুটিং করছে - আপনি কি ডেটা বা প্লট ভাগ করতে পারবেন?


2

লুকানো মার্কভ মডেলটি নাইভ বেয়েসের ক্রমিক সংস্করণ। নিষ্পাপ বেয়েসে, আপনার কয়েকটি সম্ভাব্য মান (আপনার ক্ষেত্রে 0/1) এবং একটি বৈশিষ্ট্যগুলির সেট সহ একটি লেবেল রয়েছে। Y এর মান পি (বৈশিষ্ট্য | লেবেল) * পি (লেবেল) মডেলিং করে নির্বাচন করা হয়।

একটি লুকানো মার্কোভ মডেলে, লেবেলের একটি ক্রমের পূর্বাভাস দেওয়া হয় পি (লেবেল | পূর্ববর্তী লেবেল) এবং পি (বৈশিষ্ট্য | লেবেল) মডেলিংয়ের মাধ্যমে।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.