Прогнозиране на стойностите на индикатори, които се променят във времето, като време, цени на акции
Да направи инструменти за прогнозиранеПо-достъпни, програмистите от Масачузетския технологичен институт (MIT) са разработили система, която интегрира функции за прогнозиране върху съществуваща база данни с времеви редове. Опростеният интерфейс на tspDB системата извършва цялото сложно моделиране без намесата на потребителя.
Потребителят на системата трябва само да натисне няколкоключове за получаване на прогноза. В същото време изчисляването на бъдещите стойности се извършва средно за 0,9 ms, отбелязват авторите. За да може неспециалистът да вземе решение, системата изчислява и доверителни интервали, като взема предвид степента на несигурност на прогнозата.
Една от причините за успеха на tspDB еизползвайки нов алгоритъм за прогнозиране на времеви редове. Нашият алгоритъм е особено ефективен при анализиране на многовариантни времеви редове, тоест данни, съдържащи повече от една зависима от времето променлива. Например в метеорологична база данни температурата, точката на оросяване и облачността зависят от техните минали стойности.
Абдула Аломар, завършил студент в катедрата по електротехника и компютърни науки в MIT, съавтор на разработката
Като основа за вашия алгоритъмизследователите са направили анализ на сингулярен спектър (SSA). Използвайки този метод, можете да изчислявате стойности и да правите прогнози въз основа на отделни времеви серии. Програмистите от MIT настроиха алгоритъма, за да премахнат необходимостта от ръчно задаване на променливи.
Вторият и ключов проблем, споредразработчиците, беше да адаптират този метод за анализ на множество времеви серии. Решението, предложено от изследователите, беше да се „сгънат“ отделните матрици на времевите редове в една по-голяма матрица, към която може да се приложи SSA. Разработчиците нарекоха своя метод mSSA. Преди това учените публикуваха подробно описание на изследването и алгоритъма в статия за ArXiv.
Изследователите сравняват mSSA с други най-съвременни алгоритми, включително методи за дълбоко обучение, върху набори от времеви данни в реалния живот, описващи електрически мрежи, пътен трафик и финансови пазари.
Изследователите казват резултатите от тестапоказаха, че техният алгоритъм превъзхожда всички алтернативи при възстановяването на липсващи минали данни и всички, освен една алтернатива при прогнозиране на бъдещи стойности. Разработчиците също така показаха универсалния характер на алгоритъма: той може да бъде еднакво ефективно приложен към всеки времеви ред.
Изследователите казват, че ще продължат да подобряват tspDB с нови алгоритми, които допълнително ще подобрят точността на прогнозите.
Ние сме заинтересовани да правимtspDB е широко използвана система с отворен код. Анализът на времеви редове е много важен и вграждането на функцията за прогнозиране директно в базата данни ни се струва най-удобният начин за анализ. Това никога не е правено досега и затова искаме да сме сигурни, че светът използва нашето решение.
Деваврат Шах, професор в катедрата по електротехника и компютърни науки в MIT, съавтор на разработката
Прочетете още
„Петият елемент“ съществува: нов експеримент ще потвърди, че информацията е материална
Зловещи звуци и мистериозни същества: най-странните находки в Марианската падина
Вижте най-добрата снимка на Слънцето: тя се състои от 83 милиона пиксела