假设我有时间上的离散事件，例如病人生病，我想预测这些事件是否是其他一些潜在事件的指标，例如疾病爆发。通常，人们会将基于事件的时间序列转换为常规时间序列，例如通过汇总每周的患者人数。但是，我觉得这种聚合丢失了很多信息，并且很难用于事件的多个特征，例如患者的年龄、患者的性别等。我的问题很笼统：是否有一个统计分支/将时间序列视为由任意时间的事件组成的数据科学，而不是以均匀分布的间隔聚合值？
我试着用谷歌搜索它，但似乎很难用搜索引擎理解的方式来表达这个问题。
涵盖基于事件的时间序列的数据科学分支？
数据挖掘
时间序列
2022-02-20 21:50:28
2个回答
“而不是以均匀分布的时间间隔聚合值？” 我认为这部分很好地定义了你的问题；即这通常是我们通常在通常的时间序列问题中所做的，将事件合并在一些离散的时间间隔中。
您可以做的是，您可以将事件之间的时间距离作为特征给出，而无需给出均匀分布的间隔。例如，每次疾病爆发或每个患者生病的事件之间的确切时间距离等。此外，您可以进行一些特征工程；连续双精度数 (x, x-1) 和 (x-1, x-2) 之间的时间差的平方或百分比变化，其中 xn,.....,x-2,x-1, x 是顺序事件，而不是时间。
这里的相关概念似乎是“不均匀间隔的时间序列”，维基页面维基百科：不均匀间隔的时间序列和该研究人员的网站http://eckner.com/research.html 似乎提供了足够的材料来开始使用。
其它你可能感兴趣的问题