Я хочу применить (полу) скрытую марковскую модель к данным прогнозного обслуживания. У меня есть данные, которые состоят из непрерывных переменных (напряжение, вибрация, дни с момента последнего ремонта и т. Д. c) и дискретных (и категориальных) переменных (количество ошибок, тип машины, тип компонента и т. Д. c). Я хочу сделать мультиклассовую классификацию, которая будет предсказывать, есть ли сбой или нет, и если есть сбой, какой компонент выходит из строя (четыре типа компонентов). Полу скрытые марковские модели должны работать лучше всего, поскольку они учитывают распределение длительностей состояний, однако я не смог найти хороший пакет полускрытых марковских моделей в Python, который также допускает множественные последовательности наблюдений. Насколько мне известно, hsmmlearn мог иметь дело только с одной последовательностью наблюдений. Кто-нибудь знает, могу ли я использовать несколько последовательностей наблюдений с этим пакетом, поскольку, очевидно, у меня есть несколько переменных?
Более того, я не уверен, как бороться с тем, что у меня есть непрерывные, дискретные и категоричные данные. Hmmlearn может работать с несколькими последовательностями наблюдений, но вы можете указать только один тип распределения излучений, например, GaussianHMM с гауссовыми (непрерывными) или MultinomialHMM с полиномиальными (дискретными), но не комбинацию этих распределений.
Пожалуйста, дайте мне знать, если вам нужна дополнительная информация, если вы можете мне помочь!
Заранее спасибо и будьте в безопасности!