我想用泊松分布预测道路交通的到达间隔时间。目前，我使用泊松过程产生（合成）到达时间，以便到达间隔时间呈指数分布。
观察过去的数据，我想预测下一个/未来的到达间隔时间。为此，我想实现一个学习算法。
我使用了各种方法，例如贝叶斯预测器（最大后验）和多层神经网络。在这两种方法中，我都使用输入特征的一定长度n的移动窗口（到达间隔时间）。
在贝叶斯预测器中，我使用到达间隔时间作为二元特征（1->long，0->short 来预测下一个到达间隔时间是long还是short），而对于n 个神经元输入层的神经网络和m - 神经元隐藏层（n=13, m=20），我输入n 个之前的到达间隔时间并生成未来估计的到达时间（权重是阈值，由反向传播算法更新）。
贝叶斯方法的问题在于，如果短的到达间隔时间的数量高于长的数量，它就会变得有偏差。因此，它永远不会预测长空闲期（因为short的后验总是保持较大。而在多层神经预测器中，预测精度不够。特别是对于较高的到达间隔时间，预测精度急剧下降。
我的问题是“随机过程（泊松）不能准确预测吗？还是我的方法不正确？” . 任何帮助将不胜感激。