我希望使用泊松分布来预测道路交通的车辆到达时间间隔。目前,我使用泊松过程生成(合成)到达时间,以使到达时间间隔呈指数分布。
观察过去的数据,我想预测下一个/未来的到达时间间隔。为此,我想实现学习算法。
我使用了各种方法,例如贝叶斯预测器(最大后验概率)和多层神经网络。在这两种方法中,我使用一定长度的输入特征(到达时间间隔)的移动窗口n。
对于贝叶斯预测器,我使用到达时间间隔作为二元特征(1->长,0->短)来预测下一个到达时间间隔是否为“长”或“短”,而对于具有n个神经元输入层和m个隐藏层(n=13,m=20)的神经网络,则输入n个先前的到达时间间隔,并生成未来的估计到达时间(权重和阈值由反向传播算法更新)。
贝叶斯方法的问题在于,如果“短”间隔的数量高于“长”间隔,则会出现偏差。因此,它永远不会预测“长”空闲期(因为“短”的后验概率始终更大)。而在多层神经预测器中,预测精度不足。特别是对于较高的到达时间间隔,预测精度急剧下降。
我的问题是,“随机过程(泊松)不能以良好的准确性进行预测吗?还是我的方法不正确?”任何帮助将不胜感激。
观察过去的数据,我想预测下一个/未来的到达时间间隔。为此,我想实现学习算法。
我使用了各种方法,例如贝叶斯预测器(最大后验概率)和多层神经网络。在这两种方法中,我使用一定长度的输入特征(到达时间间隔)的移动窗口n。
对于贝叶斯预测器,我使用到达时间间隔作为二元特征(1->长,0->短)来预测下一个到达时间间隔是否为“长”或“短”,而对于具有n个神经元输入层和m个隐藏层(n=13,m=20)的神经网络,则输入n个先前的到达时间间隔,并生成未来的估计到达时间(权重和阈值由反向传播算法更新)。
贝叶斯方法的问题在于,如果“短”间隔的数量高于“长”间隔,则会出现偏差。因此,它永远不会预测“长”空闲期(因为“短”的后验概率始终更大)。而在多层神经预测器中,预测精度不足。特别是对于较高的到达时间间隔,预测精度急剧下降。
我的问题是,“随机过程(泊松)不能以良好的准确性进行预测吗?还是我的方法不正确?”任何帮助将不胜感激。