我会认真考虑使用 bsts 包（在 R 中），将“logistic”作为模型系列。这将根据过去的趋势或周期性（取决于您构建模型的方式）为您提供 1 和 0 概率的预测。您还可以添加协变量，即以与您的 1/0 观察相关的方式发生变化的其他事物，以充当预测变量。

请参见本页上的图 9 和图 10：

http://www.unofficialgoogledatascience.com/2017/07/fitting-bayesian-structural-time-series.html

1. 做一些特征工程。正如他们在评论中告诉您的那样，尝试查看该事件是否更有可能发生在周末或工作日、某些月份、某个季节或季度等。要阅读有关此主题的更多信息。

   https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/

2. 探索不同的机器学习模型。我建议从随机森林开始。

3. 检查您的模型准确性（混淆矩阵）。

4. 迭代。尝试其他功能，其他型号...

只是为了让您启动并运行，您可以查看 Kaggle 中的 Titanic 数据集。它将帮助您更多地了解您要解决的问题。

我建议您使用分类 HMM（隐马尔可夫模型）或 LSTM（长短期记忆）网络来预测时间序列的下一个值。