我应该使用哪种机器学习算法来预测是否会占用特定的停车位？答案

【问题标题】：Which machine learning algorithm should i use to predict if particular parking space will be occupied?我应该使用哪种机器学习算法来预测是否会占用特定的停车位？
【发布时间】：2021-02-19 08:33:47
【问题描述】：

我正在研究硕士论文主题的想法。我得到了一个数据集，其中包含数百万条描述路边停车传感器的记录。

我拥有的数据： - 车辆出现在特定传感器上（真或假）很少有停车事件连续出现不同时长的False值是正常的。

-到达时间和离开时间（月、日、时、分甚至秒） -持续时间以分钟为单位

还有几列，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，在计算某个未来时间时反映这一点。

有什么想法吗？

【问题讨论】：

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有关。例如：点到入口或出口点的位置，付款亭在哪里等。提供有关此问题的可用功能的更多详细信息。每个传感器都必须在停车场有一个固定的位置。以更广泛的方式描述数据集。传感器必须以固定的时间间隔进行观察。我猜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。您是否正在尝试开发一些推荐系统来让来车停放？
这是数据集：data.melbourne.vic.gov.au/Transport/… 当我们将按设备 ID 和到达时间对 vales 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，那么我们可以注意 13:15-13:13:40 的 False 值，然后是 13:40-13:50 的 False 值。我的问题是这个，因为我无法想象是否有任何模型可以思考......好吧，当没有汽车时，这个传感器可以有很多时间。但是还是很难做出这样的功能来解决这个问题。

标签： machine-learning dataset data-science iot

【解决方案1】：

时间序列在这里绝对是一个选择......如果你真的要使用 LSTM，为什么不研究 Transformers 并在进行时间序列预测时利用注意力机制！我对它们还不是很了解，只是对 RNN 和 LSTM 有一个模糊的想法和性能优势。

【讨论】：

【解决方案2】：

时间序列建模将是这种建模的更好选择。正如您所说，您想预测不同时间间隔的二进制输出，即停车位是否将在特定时间间隔被占用。为此，您可以使用 LSTM。

【讨论】：

【解决方案3】：

您可以采取两种方法：

如果你想预测一个特定的空间是否会被占用，并且如果你按照事件的计数顺序（TIME），这似乎是一个时间序列问题。您应该从尝试简单的时间序列算法开始，例如移动平均线或ARIMA Models。还有更复杂的方法可以计算长期和短期关系，例如循环神经网络，尤其是LSTM (Long short-term memory)，它在时间序列问题中表现出良好的性能。
您可以计算所有变量并使用它们来训练聚类算法，例如 K-means 或 SVM。

正如你所指出的：

还有几列，但我不知道如何在我的分析中显示“时间的连续性”，并将其反映在基于停车位通常空闲的时间的某个未来时间的计算中或被占用。

我建议您将此问题作为时间序列问题来解决。

【讨论】：