Seperti yang disebutkan oleh @Christopher Lauden di atas, analisis deret waktu paling tepat untuk hal semacam ini. Namun, jika Anda ingin melakukan "pendekatan pembelajaran mesin" yang lebih tradisional, sesuatu yang telah saya lakukan di masa lalu adalah untuk memblokir data Anda menjadi tumpang tindih jendela waktu sebagai fitur, kemudian menggunakannya untuk memprediksi hari-hari berikutnya (atau minggu) ) lalu lintas.
Matriks fitur Anda akan menjadi seperti:
t1 | t2 | ... | tN
t2 | t3 | ... | tN+1
t3 | t4 | ... | tN+2
...
tW | tW+1 | ... |tN+W
di mana tI
lalu lintas pada hari itu I
. Fitur yang akan Anda prediksi adalah lalu lintas pada hari setelah kolom terakhir. Intinya, gunakan jendela lalu lintas untuk memprediksi lalu lintas hari berikutnya.
Segala jenis model ML akan bekerja untuk ini.
Edit
Menanggapi pertanyaan, "dapatkah Anda menguraikan bagaimana Anda menggunakan matriks fitur ini":
Matriks fitur memiliki nilai yang menunjukkan lalu lintas masa lalu selama periode waktu tertentu (misalnya, lalu lintas per jam selama 1 minggu), dan kami menggunakan ini untuk memprediksi lalu lintas untuk beberapa periode waktu tertentu di masa mendatang. Kami mengambil data historis kami dan membangun matriks fitur lalu lintas historis dan memberi label ini dengan lalu lintas pada beberapa periode di masa mendatang (misalnya 2 hari setelah jendela dalam fitur). Menggunakan semacam model pembelajaran mesin regresi, kita dapat mengambil data lalu lintas historis, dan mencoba dan membangun model yang dapat memprediksi bagaimana lalu lintas bergerak dalam kumpulan data historis kami. Asumsinya adalah bahwa lalu lintas masa depan akan menyerupai lalu lintas masa lalu.