Predviđanje vrijednosti indikatora koji se mijenjaju tijekom vremena, kao što su vrijeme, cijene dionica
Za izradu alata za predviđanjePristupačniji, programeri na Massachusetts Institute of Technology (MIT) razvili su sustav koji integrira funkcije predviđanja povrh postojeće baze podataka vremenskih serija. Pojednostavljeno sučelje tspDB sustava izvodi sve složene modele bez interakcije korisnika.
Korisnik sustava samo treba pritisnuti nekolikotipke za dobivanje prognoze. Istodobno, izračun budućih vrijednosti provodi se u prosjeku za 0,9 ms, napominju autori. Kako bi laik mogao donijeti odluku, sustav izračunava i intervale povjerenja, uzimajući u obzir stupanj nesigurnosti prognoze.
Jedan od razloga uspjeha tspDB-a jepomoću novog algoritma za predviđanje vremenskih serija. Naš je algoritam posebno učinkovit kada analiziramo viševarijantne vremenske serije, to jest podatke koji sadrže više od jedne vremenski ovisne varijable. Na primjer, u bazi podataka o vremenu, temperatura, rosište i naoblaka ovise o njihovim prošlim vrijednostima.
Abdullah Alomar, diplomirani student na Odsjeku za elektrotehniku i računarstvo na MIT-u, koautor razvoja
Kao osnova za vaš algoritamznanstvenici su uzeli analizu singularnog spektra (SSA). Pomoću ove metode možete izračunati vrijednosti i napraviti predviđanja na temelju pojedinačnih vremenskih serija. Programeri MIT-a su prilagodili algoritam kako bi eliminirali potrebu za ručnim postavljanjem varijabli.
Drugi i ključni problem, premaprogramera, bio je prilagoditi ovu metodu za analizu višestrukih vremenskih serija. Rješenje koje su predložili istraživači bilo je "presavijanje" pojedinačnih matrica vremenskih serija u jednu veću matricu na koju bi se mogao primijeniti SSA. Programeri su svoju metodu nazvali mSSA. Znanstvenici su prethodno objavili detaljan opis istraživanja i algoritma u članku na ArXivu.
Istraživači su usporedili mSSA s drugim najsuvremenijim algoritmima, uključujući metode dubinskog učenja, na skupovima vremenskih podataka iz stvarnog života koji opisuju električne mreže, cestovni promet i financijska tržišta.
Istraživači kažu rezultate testovapokazali su da je njihov algoritam nadmašio sve alternative u oporavku nestalih prošlih podataka i sve osim jedne alternative u predviđanju budućih vrijednosti. Programeri su također pokazali univerzalnu prirodu algoritma: može se jednako učinkovito primijeniti na bilo koju vremensku seriju.
Istraživači kažu da će nastaviti poboljšavati tspDB s novim algoritmima koji će dodatno poboljšati točnost predviđanja.
Zainteresirani smo za totspDB je široko korišten sustav otvorenog koda. Analiza vremenskih serija vrlo je važna, a ugradnja funkcije predviđanja izravno u bazu podataka čini nam se najprikladnijim načinom analize. To nikada prije nije učinjeno i stoga želimo osigurati da svijet koristi naše rješenje.
Devavrat Shah, profesor na Odsjeku za elektrotehniku i računarstvo na MIT-u, koautor razvoja
Čitaj više
"Peti element" postoji: novi eksperiment će potvrditi da je informacija materijalna
Jezivi zvukovi i tajanstvena bića: najčudniji nalazi u Marijanskom rovu
Pogledajte najbolju sliku Sunca: sastoji se od 83 milijuna piksela