我的数据由事件为 时的条目组成True，即火车道口停止时。所以我会在一天之内有这样的条目（只是例子）：

start,end,interval-length

10:43:02,10:46:02,180, 10:49:06,10:51:06,120

状态当然True是这些条目的状态，一天中未记录的时间是状态为 的时间False，也就是可遍历的时间。（但是我有一种强烈的感觉，我应该明确地填写这些时间，以便记录完整的 24 小时周期）

提供的数据是一个时间序列，我希望以此为基础对未来几天做出预测。我希望能够问“过境点下降的可能性有多大$t$, 天$d$?” （第二个参数很重要，因为我将有 7 个不同的模型，由于一周内不同的火车交通时刻表，一周中的每一天一个），考虑到之前观察到的时间。

这当然需要考虑到事件发生时，它们有一定的长度（如我的数据所示）。这本质上不是一个分类问题，因为我也对预测的置信度感兴趣，这不像获取构建模型的性能参数那么简单。假设虽然这可能是解决问题的一种有前途的方法，但我如何建立一个模型，以便一天中的晚些时候不会错误地偏向它？

考虑一些数据集的简单示例，其中天数表示为索引号 1-7。一个无监督的分类算法会偏向于猜测更多的星期六和星期日，因为它们是更高的数字（在这种情况下，解决方案是有 7 个不同的列，每个列都有布尔值 - 但我不能做任何类似的事情在我的情况下）。我希望这个例子能解决我的问题。