用于评估通信质量的时间序列机器学习模型

1. 您的原始行具有非常具体的外观 - 下图中的一个片段。据此，沟通的质量可以通过不同的指标来评估。其中之一是期间平均值的变化。（例如 - 每秒、每分钟、每天）不清楚为什么要进行移动平均，如果对于指定的操作，您只需要在一段时间内进行平均。

2. 必须检查由此获得的序列的平稳性，例如，通过 Dickey-Fuller 或 KPSS 检验。两者都在 statsmodels 包中。您的系列很可能是非固定的。

3. 季节性的存在也​​不是由肉眼决定的，而是——例如——通过自相关分析。

4. 接下来，您需要分析您的系列并做出预测。我会浏览经典列表（根据第 2 点和第 3 点的结果进行调整）- 局部回归、指数平均值、Holt、Holt-Winters、ARMA、ARIMA、SARIMA。

5. 然后就可以进行分析了。

最后一个。我个人的看法——用一个单一的指标来评估沟通的质量——不是正确的方法。如果这是一项学习任务，那么它会做。如果是真正的监控 - 有必要对许多参数进行联合分析。此外，不仅可以从您的 LQ 中提取平均值，还可以提取附加参数——低于 1 的区间分布、单位区间长度的分布、段上的实数值分布等等. 所有这些都会影响通信质量，我不是在谈论您丢弃的其他参数。

正如在下一个答案中已经提到的- 您可以使用通常的方法而不是使用移动平均线downsampling，即 例如，按 N 分钟对时间序列进行分组，然后取该组的平均值。这将大大减少您的样本量并加快模型训练。

您的系列有明显的每日季节性迹象 - 请参见第二张图表。要谈论其他类型的季节性，您需要拥有更长时期的数据。对于或多或少合理的预测，您需要拥有至少一年的数据。

实际示例（使用FBProphet）：

import numpy as np
import pandas as pd
from pathlib import Path
from fbprophet import Prophet
import matplotlib.pyplot as plt
import matplotlib

# %matplotlib

### читаем данные
data_dir = Path(r"D:\download\data")

df = (pd
      .concat([pd.read_csv(f, sep="\t", skiprows=1, usecols=["LQ"])
               for f in data_dir.glob("*.tsv")], 
              ignore_index=True)
      .rename(columns={"LQ": "y"}))
dt_from = pd.to_datetime("2016-01-15 00:00:00.000000")
dt_to = pd.to_datetime("2016-01-28 23:59:59.999999")
df.insert(0, "ds", pd.date_range(dt_from, dt_to, periods=len(df)))

### усредняем данные до минуты (resampling -> 1 min. frequency)
data = df.set_index("ds").resample("1T").mean().reset_index()

### разбиваем данные не обучающую и тестовые выборки
train_test_split = int(0.7 * len(data))
train, test = np.split(data, [train_test_split])


### строим модель
model = Prophet(daily_seasonality=True)
model.fit(train)

forecast = model.predict(test)

ax = data.set_index("ds")["y"].plot(figsize=(20, 8))
forecast.set_index("ds")["yhat"].plot(ax=ax)
ax.legend(["Ground truth", "Predicted"])

### разложение временного ряда на компоненты и визуализация
# c:\temp\forecast_comps.png
fig_comps = model.plot_components(forecast)

PS 如果时间序列将包含更多数据（例如，1 年以上），那么值得添加每周和每月的季节性以及有关假期的信息。