我想自动化一项日常任务，检查过去 24 小时的应用程序错误列表。
- 每个错误都可以属于六个不同的池之一
- 每个错误都有一个时间戳
- 我事先不知道每个池中会有多少错误
我必须使用如下规则将每个池的状态分类为绿色、黄色或红色：
- 如果在一个池中完全没有错误 -> 绿色
- 如果池中有错误，但特定错误没有持续超过 4 小时连续 -> 黄色
- 如果池中有错误并且特定错误连续持续超过 4 小时 -> RED
使用传统编程或模糊方法很容易解决这个问题，但我想知道如何使用机器学习方法来解决它（如果可能的话）。
到目前为止，在我所看到的分类技术中，有一个由具有某些特征的训练示例组成的训练集。
分类器针对该训练集进行训练，针对测试集进行进一步验证，并且生成的模型用于对新实例进行分类。
所以分类是“针对一个新的单个实例”而不是“整个集合”。
如果我使用，比如说，一个人工神经网络，我将为每个样本的每个特征都有一个节点，并且
- 我通过所有训练样本训练 ANN
- 我针对测试集进行测试
- 我将向生成的模型提供要分类的新案例（一次一个，单独一个）。
我需要自动化的任务是不同的：
对于每个池（我将分别对每个人使用相同的逻辑）我必须将它分类（作为一个整体，而不是新的单个事件/错误）作为绿色、黄色或红色基于时间上分开的可变数量的事件/错误。
我的问题是：这是我可以使用 ML 方法解决的问题吗？如果是，我将如何解决问题（我只需要一些提示，而不是完整的解决方案）。