我有一个数据集，其中包含DateTime, target, target_type. target基本上是一个进程的计数。target_type是二进制的，它表示计数是否属于类型，例如“流出”或类型，例如“流入”。这已定期记录。我想做的是，预测target接下来的 n 个时间间隔，比如说接下来的 5 个时间间隔。
我的问题是，我应该研究哪种方法？有马？lstm? 马尔可夫调制泊松过程？或者是其他东西。
我感到困惑的另一件事是，我无法弄清楚是否应该将其视为多元时间序列数据（即，如果我对target type 变量进行热编码。
所以数据集看起来像这样：
你有间歇时间序列，即您的时间序列是整数值、非负数且“大部分”为零。您可能想要搜索“预测间歇时间序列”或类似内容。
在这种情况下，点预测的经典方法是克罗斯顿法. 一种替代方法是对任何有意义的回归量（例如，趋势、季节性虚拟变量、因果关系等）进行泊松或负二项式回归。我还看过 Integer ARMA (INARMA) 模型，例如，在博士学位中。Mona Mohammadipour 的论文，但这些并不常见。
我还没有看到的一件事是将多个这样的时间序列链接在一起。在连续情况下，这将是向量自回归（VAR，不要与 VaR 混淆，即风险价值）。可以想象，整数情况的类似物可以称为 VINAR，但正如我所说，我从未见过这种情况。