Pronosticar los valores de indicadores que cambian con el tiempo, como el clima y los precios de las acciones.
Para hacer herramientas de pronóstico.Más accesible, los programadores del Instituto Tecnológico de Massachusetts (MIT) han desarrollado un sistema que integra funciones de pronóstico sobre una base de datos de series temporales existente. La interfaz simplificada del sistema tspDB realiza todos los modelos complejos sin interacción del usuario.
El usuario del sistema solo necesita presionar unos pocosClaves para obtener un pronóstico. Al mismo tiempo, el cálculo de los valores futuros se realiza en promedio en 0,9 ms, señalan los autores. Para que un profano pueda tomar una decisión, el sistema también calcula los intervalos de confianza, teniendo en cuenta el grado de incertidumbre del pronóstico.
Una de las razones del éxito de tspDB esutilizando un nuevo algoritmo de pronóstico de series de tiempo. Nuestro algoritmo es particularmente eficaz al analizar series temporales multivariadas, es decir, datos que contienen más de una variable dependiente del tiempo. Por ejemplo, en una base de datos meteorológica, la temperatura, el punto de rocío y la nubosidad dependen de sus valores pasados.
Abdullah Alomar, estudiante de posgrado en el Departamento de Ingeniería Eléctrica e Informática del MIT, coautor del desarrollo
Como base para su algoritmolos investigadores tomaron Singular Spectrum Analysis (SSA). Con este método, puede calcular valores y hacer predicciones basadas en series temporales individuales. Los programadores del MIT ajustaron el algoritmo para eliminar la necesidad de configurar manualmente las variables.
El segundo y clave problema, segúndesarrolladores, fue adaptar este método para el análisis de múltiples series de tiempo. La solución propuesta por los investigadores fue "doblar" las matrices de series temporales individuales en una matriz más grande a la que se podría aplicar SSA. Los desarrolladores llamaron a su método mSSA. Los científicos publicaron previamente una descripción detallada de la investigación y el algoritmo en un artículo sobre ArXiv.
Los investigadores compararon mSSA con otros algoritmos de última generación, incluidos métodos de aprendizaje profundo, en conjuntos de datos temporales de la vida real que describen redes eléctricas, tráfico rodado y mercados financieros.
Los investigadores dicen que los resultados de las pruebasmostró que su algoritmo superó todas las alternativas en la recuperación de datos pasados faltantes y todas menos una alternativa en la predicción de valores futuros. Los desarrolladores también mostraron la naturaleza universal del algoritmo: se puede aplicar con la misma eficacia a cualquier serie temporal.
Los investigadores dicen que continuarán mejorando tspDB con nuevos algoritmos que mejorarán aún más la precisión de las predicciones.
Estamos interesados en hacertspDB es un sistema de código abierto ampliamente utilizado. El análisis de series de tiempo es muy importante y nos parece que incorporar la función de pronóstico directamente en la base de datos es la forma más conveniente de realizar el análisis. Esto nunca se ha hecho antes y por eso queremos asegurarnos de que el mundo utilice nuestra solución.
Devavrat Shah, profesor del Departamento de Ingeniería Eléctrica e Informática del MIT, coautor del desarrollo
Lee mas
El "quinto elemento" existe: un nuevo experimento confirmará que la información es material
Sonidos espeluznantes y criaturas misteriosas: los hallazgos más extraños en la Fosa de las Marianas
Mira la mejor foto del Sol: consta de 83 millones de píxeles