基于时间的二进制预测的最佳人工智能算法是什么

Question

基于先前结果的数据库进行基于时间的二进制预测的最佳人工智能算法是什么？有了所有的算法，我正在寻找有关最佳算法的建议，以训练自身以根据数据库“数据集”预测不完整的“实时”数据集的下一个二进制数。

之前记录和存储的示例数据集

Binary Data Set 1  100**110111**0010111000111010101

Binary Data Set 2  0110010001101110110**110111**000

Binary Data Set 3  0010110010**110111**1001011011011000

在每组中我们找到模式 110111 和下一个事件

Set 1 -  110111  Next event is  0

Set 2 -  110111  Next event is  0

Set 3 -  110111  Next event is  1

在 2 个数据集中，下一个事件是 0，在 1 个数据集中，下一个事件是 1。所以在我们非常小的例子中......如果出现这种模式，我们将做出 0 的预测，因为它出现了66% 的时间。但算法会训练自己做出这个决定。

实时 - 实时二进制事件每秒出现 1 个。我们收到了以下不完整的数据，希望预测接下来会发生什么 1000010000110111 什么算法最适合预测接下来会发生什么？

感谢您的帮助！！

Answer 1

循环神经网络，尤其是 LSTM（长短期记忆）网络用于时间序列预测。就您而言，数据非常简单并且可以轻松建模。 看看这个LSTM网络的魔力

Answer 2

基于时间的二进制预测的最佳 AI 算法取决于各种因素，例如数据的性质、您要解决的具体问题、可用数据量和计算资源。然而，时间序列二值预测任务的一些常用算法包括：

1. 逻辑回归：这是一种简单而有效的二元分类任务算法。通过合并滞后变量或其他与时间相关的特征，逻辑回归可以扩展到处理时间序列数据。

2. 支持向量机 (SVM)：SVM 是一种强大的二元分类算法，在高维空间中表现良好。对于时间序列数据，您可以使用滑动窗口等技术将数据转换为适合 SVM 的格式。

3. 随机森林：随机森林是一种结合多个决策树进行预测的集成学习方法。它可以通过考虑滞后变量和时间特征来处理时间序列数据。

4. 梯度提升机 (GBM)：GBM 是另一种集成学习技术，它按顺序构建决策树，每棵树都会纠正前一棵树的错误。它对于时间序列二元预测任务非常有效。

5. 长短期记忆 (LSTM) 网络：LSTM 是一种循环神经网络 (RNN)，非常适合时间序列等顺序数据。它可以捕获时间依赖性，并已成功用于二进制预测任务。

6. 卷积神经网络 (CNN)：虽然 CNN 通常用于图像数据，但它们也可以通过将数据视为一维信号来应用于时间序列数据。 CNN 可以学习数据中时间特征的分层表示。

7. 时间卷积网络 (TCN)：TCN 是专为序列数据设计的 CNN 的变体。它们在时间序列二元预测任务中显示出了有希望的结果，并且比 LSTM 等传统 RNN 的计算效率更高。

算法的选择取决于问题的具体要求，包括数据集的大小、时间模式的复杂性以及可用的计算资源。尝试多种算法并选择最适合您的特定任务的算法通常是一个好主意。