我想要预测随时间变化的信号的开关行为。目前该信号有3种状态(1、2、3)，但这可能会在未来发生变化。然而，就目前而言，假设有三种状态是完全可以的。
我可以对这些状态做出以下假设(见图)：
1.信号周期性地重复，可能会随着时间的不同而变化。
1.对于所有信号，状态2的持续时间总是恒定且相对较短的。
1.状态1和状态3的持续时间也是恒定的，但因信号不同而不同。
1.切换顺序始终相同：1-->2-->3-->2-->1-->[...]
1.在不同信号之间存在恒定但未知的时间基准。
1.在我对不同信号的观察之间没有恒定的时间基准。它们只是一个接一个地被测量，但总是在不同的时间。
1.在获得更多样本后，我可以定期重建我的模型。

我有以下问题：
1.我一次只能观察到一个信号。
1.我只能观察到不同时间的信号。
1.我不能通过状态转换触发我的测量。这意味着，当我衡量时，我总是处于一个国家的“中间”。因此，我不知道这种状态是什么时候开始的，也不知道这种状态到底什么时候会结束。
1.我不能长时间观察到某个信号。所以，我不能观察一个完整的时期。
1.我的样本(观察)在时间上分布广泛。
1.我想要获得当前时间的状态变化或当前状态的预测。很可能发生的情况是，我永远不会在所要求的时间内测量我的信号。
到目前为止，我已经测试了ML.NET工具箱中的TimeSeriesPredictor，因为它似乎适合我。然而，在我看来，该算法要求您始终只传递一个信号的数据。这意味着假设5不包括在预测中，这可能是次优的。此外，在这种情况下，我遇到了预测没有更改的问题，当我查询多个预测时，实际上应该以时间相关的方式发生预测。这种行为使我相信只有值的顺序进入模型，而不是相关的时间戳。如果我理解正确的话，那么这个时间戳就是我最重要的“特征”……到目前为止，我还没有对基于回归的方法进行任何测试，例如FastTree，因为我的数据不是线性的，而是不断变化的状态。也许这个假设是不成立的，基于回归的方法可能也适用？
我也不知道是否需要多分类器，因为我知道TimeSeriesPredictor也适用于此，因为它使用单一数据类型。无论预测是1.3还是1.0，对我来说都很好。

**总而言之：**我正在寻找一种算法，它能够根据丢失和广泛的样本识别切换模式。可以定义边界，例如，信号1的状态持续时间3永远不会持续超过30s，或者信号3的状态持续时间1永远不会持续超过60s。然后，在算法获得开关行为的近似模型之后，我想请求对特定时间的特定信号状态进行预测。

我可以使用哪些方法来获得最佳预测，最好是使用ML.NET工具箱或基于MatLab？