Model 用于预测冰箱的温度数据

Question

我设置了一个传感器，每 3 秒测量一次温度数据。 我收集了 3 天的数据，在我的 csv 导出中有 60.000 行。 现在我想预测未来几天。 在查看数据时，您已经可以看到显示冰箱加热和冷却循环的“季节性”，所以我想预测应该不难。 我不太确定我的数据是否过于精细，是否应该进行某种欠采样。 我考虑过使用季节性 ARIMA model 但我在选择参数时遇到困难。 由于数据中的季节性非常明显，是否有 model 更合适？ 请耐心等待我是机器学习的新手。

Answer 1

当目标是预测上升的温度时，您可以预测较低和较高的峰值，即它们的高度和距离。 假设（简化模型）之间的温度变化是线性的，我们可以 model 每个完整的峰从温度曲线的第一个下峰开始到下一个上峰再到下一个下峰。 所以一个完整的峰可以看作是我们很容易积分的三角形（计算它的面积+它下面的矩形的面积）。 现在可以通过对我们已经测量的多个完整峰值进行积分来完成估算。 通过重复此过程，我们现在可以对平均温度进行线性回归，并在斜率高于定义的阈值时发出警报。

由于这只能解决某种类型的错误，因此可以对上峰和下峰之间的平均距离执行相同的操作。 也就是说，将它们之间的时间取一定的时间，拟合一条曲线（线性回归可能就足够了），并在曲线的斜率表明距离太长时发出警报。

Answer 2

这是不可能完成的任务。 如果冰箱在不受干扰的情况下工作，那么图表看起来总是一样的。 例如，打开门、发生故障、外部条件发生重大变化可能会导致这种变化。 但是您无法预测此类事件。 相反，您可以尝试警告在不久的将来出现问题的可能性，例如，基于平均温度的持续升高。 这种情况可能表明冷却系统存在泄漏。 顺便问一下，您是否考虑过每 3 秒记录一次温度？ 这通常是不合理的，因为在这样的时间间隔内，温度在物理上不可能变化到可测量的程度。 在这种情况下，我们团队通常将登录间隔设置为 30 或 60 秒。 有时甚至更多。 取决于腔室的大小、空气的循环方式、制冷机组的容积功率比等。