我有一个包含96个元素的二进制数组，它可能看起来像这样：

[false, true, true, false, true, true, false, false, false, true.....]

每个元素代表从00:00开始的15分钟时间间隔。第一个元素是00:15，第二个是00:30，第三个是00:45，以此类推。布尔值表示在该时间间隔内房屋是否有人居住。

我想训练一个分类器，以便在只知道当天部分时间的情况下预测一天的剩余时间。假设我有过去100天的观测数据，并且我只知道当天前20个元素的情况。

我如何使用分类来预测一天的剩余时间？

我尝试创建了一个如下所示的ARFF文件：

@RELATION OccupancyDetection@ATTRIBUTE Slot1 {true, false}@ATTRIBUTE Slot2 {true, false}@ATTRIBUTE Slot3 {true, false}...@ATTRIBUTE Slot96 {true, false}@DATAfalse,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,true,true,true,true,true,true,true,false,true,true,true,false,true,false,false,false,false,false,false,true,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,falsefalse,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,true,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,true,true,true,true,true,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,true,true,true,true,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false,false.....

并对其进行了Naive Bayes分类。问题是，结果只显示了一个属性的成功情况（例如，最后一个属性）。

某一天的“真实”样本可能看起来像这样：

true,true,true,true,true,true,true,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?

我如何一次预测所有未标记的属性？

我根据WekaManual-3-7-11制作了这个，它可以工作，但只适用于单个属性：

    ..    Instances unlabeled = DataSource.read("testWEKA1.arff");    unlabeled.setClassIndex(unlabeled.numAttributes() - 1);    // create copy    Instances labeled = new Instances(unlabeled);    // label instances    for (int i = 0; i < unlabeled.numInstances(); i++) {    double clsLabel = classifier.classifyInstance(unlabeled.instance(i));    labeled.instance(i).setClassValue(clsLabel);    DataSink.write("labeled.arff", labeled);

回答：

抱歉，我认为你不能使用Weka中的Naive Bayes来预测多个属性。

作为替代方案，如果你通过Java代码运行Weka，你可以遍历所有需要填充的属性。这可以通过构建具有n个属性的分类器并填充下一个空白，直到所有缺失的数据都被填入来实现。

看起来你的数据还与时间有关。如果模型稍作重构，可能可以全部纳入一个模型中。例如，你可以有用于预测时间、星期几以及过去几小时的存在情况的属性，以及描述房屋历史存在的属性。这可能对你的问题来说有些过头，但也可以消除对多个分类器的需求。

希望这对你有帮助！

更新！

根据你的请求，我花了几分钟思考这个问题。这个基于时间的预测的关键是你希望能够预测一天的剩余时间，而你的分类器可用的数据量取决于一天中的时间。这意味着，根据当前结构，你需要为每个15分钟的时间段预测值的分类器，其中早期时段包含的输入数据远少于后期时段。

如果可能，你可以使用另一种方法，其中每个时间段使用相同数量的历史信息，并且可能为所有情况共享同一个分类器。一个可能的信息集可以如下所示：

• 要估计的时间段
• 星期几
• 前一小时或两小时的活动
• 前24小时的其他活动
• 关于一般时间段的历史信息

如果你每天获取信息，可能会量化这些因素，然后用它来预测任何时间段。然后，如果你想预测一整天，你可以继续输入之前的预测，直到完成一天的预测。

我曾做过一个类似的预测到达时间的问题，基于类似的因素（之前的行为、公共假日、星期几等），估计通常是合理的，尽管对于人类过程来说准确性可能不如预期。