Support vectoriel pour Java?

un "Smart monitor" que vous décrivez est exactement une classification temporelle.

Il existe de nombreux algorithmes de classification. Ils prennent tous essentiellement une matrice, où les lignes sont des observations et les colonnes sont des "traits" qui décrivent d'une manière ou d'une autre l'observation, et un vecteur d'étiquette des lignes de longueur qui est évalué soit 0 ou 1. Dans votre problème, une observation peut être un échantillon de minute, et votre vecteur d'étiquette sera évalué 1 pour les périodes qui connaissent des problèmes de performance et 0 autrement.

implicite dans cette définition est la nécessité de rééchantillonner vos données(en utilisant le mode/médiane/moyenne si nécessaire) de sorte que chaque observation est définie uniformément, comme secondes ou minutes ou heures.

la génération de fonctionnalités est la partie cruciale. Je commencerais probablement avec 2 traits, le valeurs brutes et l' (une fois) différenciées valeurs entre l'observation x_i et x_i-1. Nous définirons ceci pour un décalage de 2. Techniquement faire de ce 4 caractéristique. Chaque caractéristique ne peut pas regarder dans l'avenir. Chaque fonction doit représenter la même chose pour chaque observation.

par exemple, considérons la série temporelle de la longueur 10:

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

si nous voulons produire un ensemble de caractéristiques en utilisant le décalage de deux intervalles dans le passé, alors les deux premiers éléments de la série temporelle sont considérés comme un échantillon brûlé. Nous ne pouvons pas utiliser les observations sont associés pour former algorithme.

valeurs brutes, de 8 lignes 2 colonnes seraient

[[ 1.,  0.]
 [ 2.,  1.],
 [ 3.,  2.],
 [ 4.,  3.],
 [ 5.,  4.],
 [ 6.,  5.],
 [ 7.,  6.],
 [ 8.,  7.]]

différenciées valeurs

[[ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.]])

Ces colonnes empilées. Il y a de nombreuses fonctionnalités supplémentaires que vous pouvez explorer. moyenne mobile serait mon prochain choix.

si vous voulez prédire plus loin dans l'avenir, alors vos données de formation devraient être plus loin de votre vecteur d'étiquette.

si la performance n'est pas satisfaisante alors essayez d'ajouter plus de fonctionnalités en choisissant un roulement moyen sur une plus grande fenêtre, ou plus loin dans le futur. Une astuce pour améliorer la performance des algorithmes de séries chronologiques est d'inclure la valeur de la prédiction pour l'intervalle de temps précédent.

Ajustez votre Classificateur sur une partie antérieure des données, puis observez leur précision sur une partie ultérieure des données. Il existe de nombreux paramètres pour les classificateurs que vous pouvez utiliser. Si vous choisissez d'utiliser un classificateur qui produit des probabilités au lieu de hard 1/0, alors vos options s'élargissent même. (Tout comme les utilisations de votre Classificateur.)

précision et rappel sont des mesures intuitives du rendement des classificateurs.

entraînez-vous sur la première moitié (au début) de vos données et testez sur la seconde moitié (plus tard).

en ce qui concerne les algorithmes, je me pencherais sur la régression logistique. Je ne chercherais ailleurs que si la performance n'est pas satisfaisante et que vous avez épuisé les options d'extraction.

Maillet semble être une bonne bibliothèque de la tâche. voir ce passage des docs.

j'ai récemment découvert JSAT, ce qui semble prometteur.

il existe des méthodes plus spécifiques de classification des séries chronologiques qui tiennent explicitement compte de la nature séquentielle des observations et des étiquettes. Il s'agit d'une adaptation générale de la classification aux séries chronologiques.