Machine learning 如何确定随机周期过程的等待时间期望值？

我已经有一段时间没有做任何真正的统计了，但我希望Stack Overflow社区能提供帮助。虽然我不能给出确切的应用程序，因为它是专有的，但这里有一个等价的问题：

想象一下，你家附近有一个公共汽车站，但你不知道公共汽车时刻表。取而代之的是，你有一份去年公交车实际到达的确切时间清单。我想做的是计算如下：如果你随机走到公共汽车站，5分钟内有公共汽车的概率是多少？10分钟？20分钟？（我想得到一份分发单）

我已经在谷歌上搜索过了，并且找到了很多使用累积分布函数的例子。。。然而，我还没有找到一个很好的例子来说明如何做我想做的事情

特别是，我希望使用去年的样本来创建我希望使用的概率分布函数

---

有没有人能举一个很好的例子来说明我是如何做到这一点的？（或者一个有这些数据的网站？）

我可以给你一些建议，可能会有所帮助：

1-为了获得更准确的结果，您需要对一天中的时间（即高峰或非高峰）和一周中的某一天（星期日或周末）进行条件分布，因为公交车频率取决于这些因素

2-根据上述因素，尝试计算两辆公交车之间的持续时间分布（即车头时距）。任何随机到达公交车站的人的预期等待时间等于车头时距的一半

因此，我的方法是将数据集划分为几个时段（例如，工作日早上7点到10点），然后计算这个时段的车头时距，这将是我的分布，我将使用它来计算随机到达公交车站的预期等待时间

---

等待时间可以建模为指数分布，我还将测试公交车到达过程是否遵循泊松分布（您必须使用数据进行测试，而不仅仅是假设它）正如我上面提到的，你必须根据一天中的时间和一周中的某一天来调整你的分布。

我的建议是使用经验分布，即直方图。您可以根据任何看似重要的因素对可用数据进行分割，例如，巴士示例中的工作日与周末。顺便说一下，请注意，如果到达时间是近似循环的，如您所述，等待时间将取决于您开始等待的时间

---

在构建直方图并查看它们之后，您可能会发现，您可以通过假设某些特定的分布来简化事情。但是你必须首先利用经验数据来确定这是否可行。

谢谢你的建议：），我同意我们需要为公交车时刻表做类似的事情，但我只是以公交车为例。真正的过程是相当有规律的，并且循环地重复。。。假设你有n辆公共汽车为你的车站服务。公交车的总数是有限的，但您不知道这些公交车的各个时段，但知道它们是规则的和循环的。这取决于您的数据中是否包含公交车标识符或编号。此外，此人是否将乘坐第一辆公交车或等待特定的公交线路。但一般来说，如果数据证实了这一点，即平均值和方差相等，那么公交车到达过程可以建模为

位置分布

。至少从泊松分布开始。它的典型应用是对到达的等待时间进行建模。其他答案是正确的，您可能希望看到到达时间是以一天中的时间为泊松条件的，但泊松是第一次尝试的方式