Prognose der Werte von Indikatoren, die sich im Laufe der Zeit ändern, wie z. B. Wetter, Aktienkurse
Prognosetools erstellenNoch zugänglicher: Programmierer am Massachusetts Institute of Technology (MIT) haben ein System entwickelt, das Prognosefunktionen auf einer vorhandenen Zeitreihendatenbank integriert. Die vereinfachte Schnittstelle des tspDB-Systems führt alle komplexen Modellierungen ohne Benutzereingriff durch.
Der Benutzer des Systems muss nur wenige drückenTasten, um eine Prognose zu erhalten. Gleichzeitig erfolgt die Berechnung zukünftiger Werte im Durchschnitt in 0,9 ms, stellen die Autoren fest. Damit auch ein Laie eine Entscheidung treffen kann, berechnet das System auch Konfidenzintervalle unter Berücksichtigung des Grades der Prognoseunsicherheit.
Einer der Gründe für den Erfolg von tspDB istVerwendung eines neuen Zeitreihenvorhersagealgorithmus. Unser Algorithmus ist besonders effektiv bei der Analyse multivariater Zeitreihen, also von Daten, die mehr als eine zeitabhängige Variable enthalten. In einer Wetterdatenbank hängen beispielsweise Temperatur, Taupunkt und Wolkenbedeckung von ihren vergangenen Werten ab.
Abdullah Alomar, Doktorand in der Fakultät für Elektrotechnik und Informatik am MIT, Mitautor der Entwicklung
Als Grundlage für Ihren AlgorithmusDie Forscher führten eine Singular Spectrum Analysis (SSA) durch. Mit dieser Methode können Sie anhand einzelner Zeitreihen Werte berechnen und Vorhersagen treffen. Die MIT-Programmierer optimierten den Algorithmus, um die Notwendigkeit zu beseitigen, Variablen manuell festzulegen.
Das zweite und zentrale Problem sei lautDie Aufgabe der Entwickler bestand darin, diese Methode für die Analyse mehrerer Zeitreihen anzupassen. Die von den Forschern vorgeschlagene Lösung bestand darin, die einzelnen Zeitreihenmatrizen zu einer größeren Matrix zu „falten“, auf die SSA angewendet werden konnte. Die Entwickler nannten ihre Methode mSSA. Eine detaillierte Beschreibung der Forschung und des Algorithmus haben Wissenschaftler zuvor in einem Artikel auf ArXiv veröffentlicht.
Die Forscher verglichen mSSA mit anderen hochmodernen Algorithmen, einschließlich Deep-Learning-Methoden, anhand realer zeitlicher Datensätze, die Stromnetze, Straßenverkehr und Finanzmärkte beschreiben.
Forscher sagen Testergebnissezeigten, dass ihr Algorithmus alle Alternativen bei der Wiederherstellung fehlender vergangener Daten und alle bis auf eine Alternative bei der Vorhersage zukünftiger Werte übertraf. Die Entwickler zeigten auch die Universalität des Algorithmus: Er lässt sich gleichermaßen gut auf beliebige Zeitreihen anwenden.
Die Forscher sagen, dass sie tspDB mit neuen Algorithmen weiter verbessern werden, die die Genauigkeit von Vorhersagen weiter verbessern werden.
Wir sind daran interessierttspDB ist ein weit verbreitetes Open-Source-System. Die Zeitreihenanalyse ist sehr wichtig und die Einbettung der Prognosefunktion direkt in die Datenbank scheint uns die bequemste Art der Analyse zu sein. Dies gab es noch nie zuvor und deshalb möchten wir sicherstellen, dass die Welt unsere Lösung nutzt.
Devavrat Shah, Professor an der Fakultät für Elektrotechnik und Informatik am MIT, Mitautor der Entwicklung
weiter lesen
Das „fünfte Element“ existiert: Ein neues Experiment wird bestätigen, dass Informationen materiell sind
Gruselige Geräusche und mysteriöse Kreaturen: die seltsamsten Funde im Marianengraben
Schauen Sie sich das beste Bild der Sonne an: Es besteht aus 83 Millionen Pixeln