機械学習を使用して将来のイベントを予測する

Question

私はこのようなトランザクションデータをいくつか持っています。

SHOP_ID, DATE , DAY, IN_TIME , OUT_TIME 
shop007, 2017/5/20, mon, 05:03:38, 05:05:33 
shop0010, 2017/4/13, sat, 08:53:42, 08:53:45 
shop005, 2017/10/25, wed, 03:02:42, 03:04:15 
shop001, 2017/10/5, sun, 19:09:37, 19:11:35 
shop008, 2017/1/19, sat, 14:33:01, 14:35:00 
shop004, 2017/3/13, sun, 02:16:06, 02:17:59 
shop0010, 2016/7/4, thu, 10:25:54, 10:25:59 
shop008, 2016/11/6, sat, 22:52:21, 22:53:49 
shop004, 2016/11/13, tue, 08:30:51, 08:32:04 
shop007, 2016/10/2, wed, 19:28:29, 19:29:48 
shop006, 2017/9/25, mon, 01:11:19, 01:12:12  
shop003, 2017/1/14, mon, 00:43:33, 00:43:53 
shop009, 2017/7/7, fri, 16:35:52, 16:36:54 
shop008, 2017/4/26, tue, 06:31:23, 06:33:10 
shop007, 2016/3/19, fri, 04:46:34, 04:48:04 
shop001, 2016/11/4, mon, 11:16:55, 11:18:22  
shop001, 2017/8/31, sat, 07:07:25, 07:09:16 
shop005, 2017/3/16, mon, 17:17:00, 17:18:47 
shop001, 2017/4/23, fri, 04:35:37, 04:37:24 
shop003, 2016/9/18, thu, 08:53:55, 08:55:35 
shop001, 2016/1/12, sun, 10:25:43, 10:26:09 
shop009, 2017/4/9, mon, 17:44:45, 17:45:54 
shop004, 2017/7/1, mon, 01:23:14, 01:24:37 
shop002, 2017/12/28, thu, 18:00:34, 18:00:50 
shop009, 2016/4/6, tue, 00:48:25, 00:49:50 
shop009, 2016/4/10, sat, 14:21:41, 14:22:19 
shop001, 2016/5/16, wed, 15:07:17, 15:09:14 
shop005, 2016/10/6, wed, 23:09:58, 23:10:07 
shop009, 2016/5/6, tue, 09:39:47, 09:39:55 
shop002, 2017/6/16, sat, 19:35:08, 19:35:53 
shop005, 2017/5/26, wed, 10:08:24, 10:09:31 
shop003, 2016/8/7, fri, 06:52:28, 06:52:54 
shop006, 2017/5/5, thu, 17:28:06, 17:28:50 
shop001, 2016/1/7, wed, 10:39:07, 10:39:24 

そして、私が収集したコーパスデータを使用して、現在の週の&日&時間で歩いて、顧客の数を予測する時系列モデルを作成したいです。私が欲しい

モデルはncustomersは、顧客の合計とtimeは可能性があり、週&日&時間ですncustomers ~ timeです。

独立変数はカテゴリ型、従属変数は連続型であるため、私はライナー回帰モデルを使用できるかどうか分かりません。

Answer 1

まず、正確にあなたのタイムスペースを定義する必要があります。毎日のモデルが必要な場合は、可変時間として「日付」を使用する必要があります。この場合、必要なのは時系列予測モデルだと思います。

線形回帰はオプションですが、この場合にはより洗練されたモデルと便利なモデルがあります。私はあなたのいくつかを残します。

次のステップは、最良のモデルを選択することです。そのため、たとえば最小MSEでモデルを実行する必要があります（他の方法があります）。私はあなたにこのループのための "ループ"を与えます。

if (!require("forecast")){install.packages("forecast"); library(forecast)} 

train<-ts(your_data_train,frequency=24) 
test<-ts(your_data_test,frequency=24) 


fit1<-tslm(train ~ trend + season) #linear regression 
fcast1 <- forecast(fit1,h=npred ,level = 0) 

fit2<-ets(train,ic="aic") #exponencial smoothing without Box-Cox 
fcast2 <- forecast(fit2,h=npred ,level = 0) 

fit3<-HoltWinters(train) #Clasic Holtwinter (similar to exponencial smoothing) 
fcast3 <-forecast(fit3,h=npred ,level = 0) 

fit4<-HoltWinters(train,seasonal = "mult") #Holtwinter mult 
fcast4 <-forecast(fit4,h=npred ,level = 0) 

fit5 <- tbats(train) #Model TBATS 
fcast5 <- forecast(fit5, h=npred ,level = 0) 

lam <- BoxCox.lambda(train) 
fit6 <- ets(train, additive=TRUE, lambda=lam) #Model exponencial smoothing with de Box.Cox 
fcast6 <-forecast(fit6,h=npred,level = 0) 

pred<-c(fcast1$mean,fcast2$mean,fcast3$mean,fcast4$mean,fcast5$mean,fcast6$mean) 

error<-0 
for(i in 1:length(pred)){ 
    error[i]<-mean((pred[i]-test)^2) 
}