我想预测特定事件可能发生的几个可能时间。例如，我有一个人的日常活动数据，其中包括该人在一段时间内做了什么以及什么时候做的。目前，我的数据格式如下：
日期时间活动
01-01-2017 08:23:30 早餐
01-01-2017 16:20:30 阅读
01-01-2017 19:00:00 晚餐
02-01-2017 08:00:10 早餐
02-01-2017 17:40:30 阅读
02-01-2017 19:30:00 晚餐
03-01-2017 08:15:30 早餐
03-01-2017 16:20:30 阅读
03-01-2017 20:30:00 晚餐
我们只是说，在大多数情况下，这个人在晚上 7-7:30 左右吃晚饭，有时在晚上 8-8:30 吃晚饭，大部分时间在下午 4 点左右看书，有时也在下午 5.6 点左右。根据这类数据，我想预测他明天什么时候吃早餐、晚餐或阅读。例如，晚上 8 点晚餐（置信度/概率 65%），或晚上 8:30（20%）、晚上 9 点（10%）、晚上 9:30（5%）。
我面临的挑战是，我无法确定选择哪种技术来实现目标。你能给我一些提示吗？
我建议通过捕获每个活动的范围来创建自定义本体。例如，在您的训练数据中定义早餐的附加参数，并将最小和最大小时之间的范围设置为 08:00:10 08:23:30。
如果您计划使用 RandomForest、LinearRegression 等，则必须进行特征工程。
此外，时间戳本身具有非常广泛的数据信息。您可以选择一周中的某天、一个月中的某天、一年中的某天、一年中的某周。基于此，您可以查看是否是周末、工作日（周一至周五），并且您可以看到这将如何随着时间的推移而变化（也许在夏天，这个人吃得更晚/更早）。此外，您还可以查看每小时的变化。我还强烈建议使用绘图，这样您将看到“早餐”标签如何随着时间的推移而链接（在一年中的不同时期，一周/月的不同部分）。这将使您更好地了解数据中发生的情况。
最后，我建议尝试 RandomForest(s)（也许是装袋方法）。它们对于时间序列数据非常有用，尤其是当您可以定义清晰可见的差异时。调整 RandomForest 是必须的。在与此类似的问题中，min_sample_split 和 max_depth 参数通常非常有用。
此外，Ridge 或 Lasso 回归也是尝试新构建特征的好方法。
最后，正如所指出的，LSTM 被证明可以捕获数据中的时间依赖性。但是，我会重新考虑使用它，没有任何实际经验。
是的你可以。试试 LSTM。您输入一个时间序列并根据输入数据获得一个新的时间序列。