我有一些类似时期的数据集。是那天人的介绍，时间大约一年。数据不是定期收集的，而是相当随机的：每年有 15-30 个条目，来自 5 个不同的年份。
从每年的数据中绘制的图表大致如下所示：
使用 matplotlib 制作的图表。我有datetime.datetime, int格式的数据。
是否有可能以任何明智的方式预测未来的事情会如何发展？我最初的想法是计算所有先前事件的平均值并预测它会是这样。但是，这并没有考虑到当年的任何数据（如果它一直高于平均水平，那么猜测应该会略高一些）。
数据集和我的统计知识是有限的，所以每一个见解都是有帮助的。
我的目标是首先创建一个原型解决方案，以测试我的数据是否足以满足我正在尝试做的事情，并且在（潜在的）验证之后，我会尝试一种更精致的方法。
编辑：不幸的是，我从来没有机会尝试收到的答案！我仍然很好奇这种数据是否足够，如果有机会我会记住这一点。谢谢你的所有答案。
就您而言，数据变化很快，您可以立即观察到新数据。可以使用Holt-winter指数平滑法进行快速预测。
更新方程：
m_t是您拥有的数据，例如，每次的人数t。v_t是一阶导数，即 的趋势m。是两个衰减参数alpha。顶部beta的变量表示预测值。tilde在维基百科页面上查看算法的详细信息。
由于您使用python，我可以向您展示一些示例代码来帮助您处理数据。顺便说一句，我使用了一些合成数据，如下所示：
data_t = range(15)
data_y = [5,6,15,20,21,22,26,42,45,60,55,58,55,50,49]
以上data_t是从时间 0 开始的一系列连续数据点；data_y是在每次演示中观察到的人数序列。
数据如下所示（我试图使其接近您的数据）。
该算法的代码很简单。
def holt_alg(h, y_last, y_pred, T_pred, alpha, beta):
pred_y_new = alpha * y_last + (1-alpha) * (y_pred + T_pred * h)
pred_T_new = beta * (pred_y_new - y_pred)/h + (1-beta)*T_pred
return (pred_y_new, pred_T_new)
def smoothing(t, y, alpha, beta):
# initialization using the first two observations
pred_y = y[1]
pred_T = (y[1] - y[0])/(t[1]-t[0])
y_hat = [y[0], y[1]]
# next unit time point
t.append(t[-1]+1)
for i in range(2, len(t)):
h = t[i] - t[i-1]
pred_y, pred_T = holt_alg(h, y[i-1], pred_y, pred_T, alpha, beta)
y_hat.append(pred_y)
return y_hat
好的，现在让我们调用我们的预测器并根据观察结果绘制预测结果：
import matplotlib.pyplot as plt
plt.plot(data_t, data_y, 'x-')
plt.hold(True)
pred_y = smoothing(data_t, data_y, alpha=.8, beta=.5)
plt.plot(data_t[:len(pred_y)], pred_y, 'rx-')
plt.show()
红色表示每个时间点的预测结果。我设置alpha为 0.8，因此最近的观察确实对下一个预测有很大影响。如果你想给历史数据更多的权重，只需使用参数alpha和beta。还要注意，红线最右边的数据点t=15是最后一个预测，我们还没有观察到。
顺便说一句，这远非完美的预测。这只是您可以快速开始的事情。这种方法的一个缺点是您必须能够获得观察结果，否则预测会越来越偏离（可能对于所有实时预测都是如此）。希望能帮助到你。
