与问题相关的领域是排队论，一个特定的子领域是生死过程。我认为对您的任务有帮助的文章是 RC Larson 和 K.Satsunama (2010) Congestion Pricing: A Parking Queue Model，按照参考文献中的链接可以提供更多关于如何进行的想法。

请注意，最近 R 包排队已经发布（但是标题中的打印错误）。最后，我认为，排队软件的这个链接可能会有所帮助。

预测每小时数据已成为我的主要兴趣。此问题通常出现在呼叫中心预测中。需要关注一天内的每小时模式、一周内不同的每日模式以及全年的季节性模式（每月指标/每周指标。此外，我已经看到每小时模式和每日模式之间存在相互作用。传递函数（时间序列数据的概括/超集回归）可以很容易地适应上述结构。此外，一年中的事件（圣诞节、复活节等）可能需要使用领先、同期和/或滞后结构包括在内。在时间序列中分析我们需要通过干预检测方案验证没有脉冲、电平/阶跃变化，错误过程中剩余的季节性脉冲和/或本地时间趋势表明模型的增强。如果残差系列表明自回归结构，则只需添加合适的 ARIMA 结构。在选择资源来处理这个问题时应该小心。我最近对一个类似问题进行了分析和预测：巴黎地铁系统中每小时和每天的乘客数量。恕我直言，这是一个从数据中构建有用方程的问题，该方程可用于模拟可能的场景，然后可用于评估队列长度等。我最近对一个类似问题进行了分析和预测：巴黎地铁系统中每小时和每天的乘客数量。恕我直言，这是一个从数据中构建有用方程的问题，该方程可用于模拟可能的场景，然后可用于评估队列长度等。我最近对一个类似问题进行了分析和预测：巴黎地铁系统中每小时和每天的乘客数量。恕我直言，这是一个从数据中构建有用方程的问题，该方程可用于模拟可能的场景，然后可用于评估队列长度等。