我在这里有两个想法，也许它们会有所帮助。

想法 1：事件之间的模型时间

您可能会认为您的数据是由两个过程生成的：第一个是时间间隔分布，第二个是购买金额分布。因此，要对数据进行建模，您可以在数据集中的非零值上创建一个分布（高斯？），在零序列的长度上创建另一个分布（泊松？）。

想法 2：模拟客户库存

即使您的数据集中的销售事件很少，您也可以花一点时间来建立一个模型，说明客户购买的原因。在一种可能的模型中，客户的库存会随着时间的推移而减少，当他们的库存超过某个最低阈值时，他们会进行购买。您可以使用您的销售数据来拟合斜率（对于线性收缩）或比率（对于指数收缩）以及阈值。

这可能会变得任意复杂，因为在此模型下的客户可能在不同时间有不同的阈值或收缩率……但对于初学者来说，这可能是一种了解事物的有用方法。

在这种类型的数据中，信息来自两个地方

1. 销售时间间隔$T_i$: 时间间隔$Sale_{i-1}$和$Sale_i$
2. 金额$Sale_i$：$Y_i$

与之前的答案类似，我建议从检查任何潜在模式的时间间隔开始。二是检查销售额之间的关系$Y_i$和$Y_{i-1}$和$T_i$,$T_{i-1}$. 在最一般的情况下，这两个应该是相关的。基于此，您可以决定是独立建模还是联合建模。一种常用的模型是状态空间模型。这里的基本思想是将稀疏的 ts 分解为不稀疏且更易于建模的子组件。

一种通用模型可以是：