Я хочу предсказать время прибытия автомобильного движения с распределением Пуассона. В настоящее время я производю (синтетические) времена прихода по пуассоновскому процессу, чтобы время между приходами имело экспоненциальное распределение.
Наблюдая прошлые данные, я хочу предсказать следующее / будущее время прибытия. Для этого я хочу реализовать алгоритм обучения.
Я использовал различные подходы, например, байесовский предиктор (максимум апостериорный) и многослойную нейронную сеть. В обоих этих методах я использую движущееся окно определенной длины n входных объектов (время прибытия).
В байесовском предикторе я использую время между прибытиями в качестве бинарных функций (1-> long, 0-> short, чтобы предсказать, что следующее время между прибытиями будет long или short ), тогда как для нейронной сети из n -нейронов входного слоя и m -нейронов скрытого слоя (n = 13, m = 20), я вхожу n предыдущие времена между прибытием и генерирование будущего предполагаемого времени прибытия (пороговые значения весов обновляются алгоритмом обратного распространения).
Проблема с байесовским подходом заключается в том, что он становится предвзятым, если число коротких времен прибытия больше, чем длинных . Таким образом, он никогда не прогнозирует длинный период простоя (поскольку апостериор short всегда остается большим. Принимая во внимание, что в многослойном нейронном предикторе точность предсказания не достаточна. Специально для чем выше время прибытия, тем выше точность прогнозирования.
У меня вопрос «Разве стохастический процесс (Пуассона) не может быть предсказан с хорошей точностью? Или мой подход неверен?» . Любая помощь будет оценена.