基于日期、时间和位置的设备状态预测算法( on / OFF)

Question

我需要开发一个机器学习算法来预测，如果一个二次汽车电池应该连接到负载在一天中的任何时间，根据用户的汽车使用情况。(输出为1或0，打开或关闭)

背景:我的项目车配备了二次电池，需要运行汽车计算机、LTE调制解调器等。因此，电池必须始终不与这些负载连接，以便在汽车不使用时延长电池的运行时间(在汽车运行时，一次汽车电池为二次电池充电)。这些电子部件用于IOT操作、运行alexa语音交互等。

因此，有必要预测用户在什么时候使用自己的汽车，并在司机真正上车之前打开电路，这样，一旦用户进入车内，它就可以立即启动与用户的语音交互(如果用户进入车后启动，则所有的互联网连接都需要一段时间才能启动。)

对现有的机器学习算法有什么建议吗？首先，我计划只根据日期、时间和地点来预测状态。例如，如果时间是上午7点，平日，地点是家，汽车通常要去办公室，如果时间是上午10点，地点是办公室，汽车通常是关闭的。

请帮助我的任何想法/建议，也可以改进的概念。

Answer 1

您需要预测两个类(开/关)。第一个问题是:根据什么数据(确切地说)发生了这种情况？

问题陈述

你确实有一些训练数据，所以这是一个监督学习任务。算法的选择实际上取决于这样一个问题:到底需要哪些数据，以及您希望检测到什么样的模式：

• 是基于单个用户的预测(然后数据将是稀缺的)还是基于多个用户(足以确定用于预测的相似用户)？
• 考虑一天+一周/周末真的够了吗？那么公共假日或季节呢?在那里，使用行为可能会发生变化。
• 假期时间会影响超过日期/时间的使用行为吗？

选择一个算法

一旦您现在基于哪些数据，您将识别什么样的模式，您认为的算法，很适合。例如:如果你真的只需要时间+工作日/周末，那么非常简单的算法就可以了。例如，决策树(具有简单的规则，就像工作日+上午7点一样)。然后打开)。

如果规则需要更加复杂(我认为这里就是这样)，那么您可能需要一个更复杂的模型。我对基于时间的预测几乎没有经验，但我想到了一些东西，比如递归神经网络，它们被大量地用于基于时间的预测(例如，web分析，以便在任何给定的时间点上发现使用模式的异常)。

关注

您的问题听起来需要一个非常准确的预测(分分钟的准确性)，而实际的用户行为则会更随意一些(有时更早，一些时候更晚)。许多算法试图减少一个错误，这往往导致中间值，如果一个事件的实际时间波动在一个平均值。

当使用神经网络时，你可以影响计算误差的方式，你可以训练它，以利于一种错误(早期)而不是另一种错误。这使得它更加复杂，并且要求“过早”不是问题(或者用户总是非常可靠)。