Machine learning 我应该使用哪种机器学习算法来预测特定停车位是否会被占用？

我正在研究硕士论文题目的想法。 我得到了一个包含数百万条记录的数据集，这些记录描述了街道上的停车传感器

我拥有的数据： -特定传感器上存在车辆（正确或错误） 正常情况下，很少有停车事件，其中存在具有不同持续时间的错误值

-到达时间和离开时间（月、日、小时、分钟甚至秒） -持续时间（分钟）

还有一些专栏，但我不知道如何在我的分析中显示“时间的连续性”和 根据停车位通常空闲或占用的时间，在未来某个时间的计算中反映这一点

---

有什么想法吗？

您可以采取两种方法：

若你们想预测一个特定的空间是否会被占用，若你们想按事件（时间）的顺序计算，这看起来像是一个时间序列问题。你应该先尝试一些简单的时间序列算法，比如移动平均法或移动平均法。还有更复杂的方法可以计算长期和短期的关系，比如递归神经网络，特别是在时间序列问题上表现出良好的性能

您可以计算所有变量，并使用它们来训练聚类算法，如K-means或SVM

正如你所指出的：

还有更多的专栏，但我不知道如何在我的分析中显示“时间的连续性”，并在基于停车位通常空闲或被占用的时间的未来特定时间的计算中反映这一点

---

我建议您将此问题作为时间序列问题处理。

时间序列建模将是此类建模的更好选择。正如您所说，您希望在不同的时间间隔预测二进制输出，即在特定的时间间隔停车位是否会被占用。为此，您可以使用LSTM。

时间序列在这里绝对是一个选项。。。如果你真的要使用LSTM，为什么不在做时间序列预测的同时研究变压器并利用注意机制呢！！我不完全了解他们，但是，只是有一个模糊的想法和性能优于RNNs和LSTM。

你将不得不考虑更多的因素，这些最终将与人类决定在某个地点停车。例如：点到入口或出口点的位置，付款亭在哪里等。请提供有关此问题可用功能的更多详细信息。每个传感器必须在停车场有一个固定点。以更广泛的方式描述数据集。传感器必须以固定的间隔进行观察。我想你已经有了基于时间序列的数据。如果可能，请提供数据本身的样本。您是否正在尝试为即将停放的进站车辆开发一些推荐系统？这是数据集：当我们按照设备ID和到达时间对车辆进行排序时，我们可以看到，即使例如：vehiclepresent的真实值将在13:00持续15分钟，我们也可以注意到13:15-13:13:40的假值，然后13:40-13:50的值再次为假。我的问题是这个，因为我无法想象任何一个模型是否能思考……好吧，当没有车的时候，这个传感器会有很多时间。但是仍然很难做出这样的功能来解决这个问题。