Tengo un conjunto de datos históricos de alrededor de 1500 eventos en representación de la estructura de incendios en el Área de la Bahía en los últimos años. Estoy construyendo un pequeño panel que muestra estos eventos por mes, y quiere construir en una predicción que muestra el número de eventos que se espera ocurra durante el resto del mes para la comparación del bien (a qué se parece esto una más ocupado o más lento mes). Los datos es algo cíclico por temporada: más alto en diciembre/enero y Mayo/junio, y menor en la Primavera y el Otoño.
Naturalmente, esto parece como un proceso de Poisson. Actualmente estoy haciendo una simple estimación por determinar el número promedio de eventos en los datos históricos durante el mes actual, y luego multiplicar por la fracción del mes restante (así, si la media histórica es de 30 eventos en diciembre y el 15 de predecir $30\times\frac{16}{31}$ como el número de eventos para el resto del mes.
Esto es probablemente lo suficientemente bueno, pero la curiosidad académica se ha apoderado y me gustaría ir más allá. Idealmente, me gustaría tomar en cuenta las tendencias más recientes, de modo que si la historia reciente es notablemente más ocupado de lo que, históricamente, la proyección toma en cuenta. Parece que el uso de la regla de Bayes sería útil aquí, donde el anterior se basa en el promedio histórico, la evidencia es la recientemente los datos observados (es decir de 30 a 60 días) y, a continuación, resolver o analizar para los más probable λ. Es esta la derecha, o un buen camino a seguir? Si es así, puede que me apunte hacia la configuración de la ecuación, o qué otra información necesito averiguar primero?
