Ajan myötä muuttuvien indikaattoreiden arvojen ennustaminen, kuten sää, osakekurssit
Ennustetyökalujen tekeminenMassachusetts Institute of Technologyn (MIT) ohjelmoijat ovat helpommin kehittäneet järjestelmän, joka integroi ennustetoiminnot olemassa olevan aikasarjatietokannan päälle. TspDB-järjestelmän yksinkertaistettu käyttöliittymä suorittaa kaiken monimutkaisen mallinnuksen ilman käyttäjän vuorovaikutusta.
Järjestelmän käyttäjän tarvitsee vain painaa muutamaavaimet ennusteen saamiseksi. Samaan aikaan tulevien arvojen laskenta suoritetaan keskimäärin 0,9 ms:ssa, kirjoittajat huomauttavat. Jotta maallikko voisi tehdä päätöksen, järjestelmä laskee myös luottamusvälit ottaen huomioon ennusteen epävarmuuden asteen.
Yksi tspDB:n menestyksen syistä onkäyttämällä uutta aikasarjaennustusalgoritmia. Algoritmimme on erityisen tehokas analysoitaessa monimuuttujia aikasarjoja, eli dataa, joka sisältää useamman kuin yhden ajasta riippuvan muuttujan. Esimerkiksi säätietokannassa lämpötila, kastepiste ja pilvisyys riippuvat aiemmista arvoistaan.
Abdullah Alomar, jatko-opiskelija MIT:n sähkötekniikan ja tietojenkäsittelytieteen laitokselta, kehitystyön toinen kirjoittaja
Algoritmi perustaksitutkijat ottivat Singular Spectrum Analysis (SSA) -analyysin. Tällä menetelmällä voit laskea arvoja ja tehdä ennusteita yksittäisten aikasarjojen perusteella. MIT-ohjelmoijat virittelivät algoritmia eliminoidakseen tarpeen asettaa muuttujia manuaalisesti.
Toinen ja keskeinen ongelma, mukaankehittäjien, oli mukauttaa tämä menetelmä useiden aikasarjojen analysointiin. Tutkijoiden ehdottama ratkaisu oli "taittaa" yksittäiset aikasarjamatriisit yhdeksi suuremmaksi matriisiksi, johon SSA:ta voitaisiin soveltaa. Kehittäjät kutsuivat menetelmäään mSSA:ksi. Tiedemiehet julkaisivat aiemmin yksityiskohtaisen kuvauksen tutkimuksesta ja algoritmista ArXiv-artikkelissa.
Tutkijat vertasivat mSSA:ta muihin huippuluokan algoritmeihin, mukaan lukien syväoppimismenetelmät, tosielämän ajallisissa tietosarjoissa, jotka kuvaavat sähköverkkoja, tieliikennettä ja rahoitusmarkkinoita.
Tutkijat sanovat testituloksiaosoittivat, että heidän algoritminsa ylitti kaikki vaihtoehdot puuttuvien menneiden tietojen palauttamisessa ja kaikki vaihtoehdot yhtä lukuun ottamatta tulevien arvojen ennustamisessa. Kehittäjät osoittivat myös algoritmin universaalin luonteen: sitä voidaan yhtä tehokkaasti soveltaa mihin tahansa aikasarjaan.
Tutkijat sanovat jatkavansa tspDB:n parantamista uusilla algoritmeilla, jotka parantavat entisestään ennusteiden tarkkuutta.
Olemme kiinnostuneita tekemisestätspDB on laajalti käytetty avoimen lähdekoodin järjestelmä. Aikasarja-analyysi on erittäin tärkeää, ja ennustetoiminnon upottaminen suoraan tietokantaan vaikuttaa meistä kätevimmältä analyysimenetelmältä. Tällaista ei ole koskaan tehty, joten haluamme varmistaa, että maailma käyttää ratkaisuamme.
Devavrat Shah, professori MIT:n sähkötekniikan ja tietojenkäsittelytieteen laitokselta, kehitystyön toinen kirjoittaja
Lue lisää
"Viides elementti" on olemassa: uusi koe vahvistaa, että tieto on olennaista
Kammottavat äänet ja salaperäiset olennot: Mariaanihaudan kummallisimmat löydöt
Katso paras kuva Auringosta: se koostuu 83 miljoonasta pikselistä