Prévoir les valeurs des indicateurs qui évoluent dans le temps, comme la météo, les cours boursiers
Réaliser des outils de prévisionPlus accessible, les programmeurs du Massachusetts Institute of Technology (MIT) ont développé un système qui intègre des fonctions de prévision au-dessus d'une base de données de séries chronologiques existante. L'interface simplifiée du système tspDB effectue toutes les modélisations complexes sans interaction de l'utilisateur.
L'utilisateur du système n'a qu'à appuyer sur quelquestouches pour obtenir une prévision. Dans le même temps, le calcul des valeurs futures s'effectue en moyenne en 0,9 ms, notent les auteurs. Pour qu'un profane puisse prendre une décision, le système calcule également des intervalles de confiance, en tenant compte du degré d'incertitude des prévisions.
L'une des raisons du succès de tspDB esten utilisant un nouvel algorithme de prévision de séries chronologiques. Notre algorithme est particulièrement efficace lors de l’analyse de séries chronologiques multivariées, c’est-à-dire des données contenant plus d’une variable dépendante du temps. Par exemple, dans une base de données météo, la température, le point de rosée et la couverture nuageuse dépendent de leurs valeurs passées.
Abdullah Alomar, étudiant diplômé au Département de génie électrique et informatique du MIT, co-auteur du développement
Comme base pour votre algorithmeles chercheurs ont pris Singular Spectrum Analysis (SSA). En utilisant cette méthode, vous pouvez calculer des valeurs et faire des prédictions basées sur des séries chronologiques individuelles. Les programmeurs du MIT ont peaufiné l'algorithme pour éliminer le besoin de définir manuellement les variables.
Le deuxième et principal problème, selondéveloppeurs, était d'adapter cette méthode pour l'analyse de plusieurs séries temporelles. La solution proposée par les chercheurs consistait à « replier » les matrices de séries chronologiques individuelles en une matrice plus grande à laquelle la SSA pourrait être appliquée. Les développeurs ont appelé leur méthode mSSA. Les scientifiques ont précédemment publié une description détaillée de la recherche et de l’algorithme dans un article sur ArXiv.
Les chercheurs ont comparé mSSA avec d’autres algorithmes de pointe, notamment des méthodes d’apprentissage profond, sur des ensembles de données temporelles réelles décrivant les réseaux électriques, le trafic routier et les marchés financiers.
Les chercheurs disent que les résultats des testsont montré que leur algorithme surpassait toutes les alternatives pour récupérer les données passées manquantes et toutes les alternatives sauf une pour prédire les valeurs futures. Les développeurs ont également montré la nature universelle de l'algorithme : il peut être appliqué de manière tout aussi efficace à n'importe quelle série temporelle.
Les chercheurs affirment qu'ils continueront d'améliorer tspDB avec de nouveaux algorithmes qui amélioreront encore la précision des prédictions.
Nous sommes intéressés à fairetspDB est un système open source largement utilisé. L’analyse des séries chronologiques est très importante et l’intégration de la fonction de prévision directement dans la base de données nous semble le moyen d’analyse le plus pratique. Cela n’a jamais été fait auparavant et nous voulons donc nous assurer que le monde utilise notre solution.
Devavrat Shah, professeur au Département de génie électrique et d'informatique du MIT, co-auteur du développement
Lire la suite
Le "cinquième élément" existe : une nouvelle expérience confirmera que l'information est matérielle
Sons effrayants et créatures mystérieuses : les découvertes les plus étranges dans la fosse des Mariannes
Regardez la meilleure image du Soleil : elle est constituée de 83 millions de pixels