Prognozowanie wartości wskaźników zmieniających się w czasie, takich jak pogoda, ceny akcji
Aby stworzyć narzędzia prognostyczneBardziej przystępni programiści z Massachusetts Institute of Technology (MIT) opracowali system, który integruje funkcje prognozowania w oparciu o istniejącą bazę danych szeregów czasowych. Uproszczony interfejs systemu tspDB umożliwia wykonanie całego złożonego modelowania bez interwencji użytkownika.
Użytkownik systemu musi tylko nacisnąć kilkaklucze, aby uzyskać prognozę. Jednocześnie kalkulacja przyszłych wartości odbywa się średnio w 0,9 ms – zauważają autorzy. Aby laik mógł podjąć decyzję, system oblicza również przedziały ufności, uwzględniając stopień niepewności prognozy.
Jednym z powodów sukcesu tspDB jestprzy użyciu nowego algorytmu prognozowania szeregów czasowych. Nasz algorytm jest szczególnie skuteczny przy analizie wielowymiarowych szeregów czasowych, czyli danych zawierających więcej niż jedną zmienną zależną od czasu. Na przykład w bazie danych pogodowych temperatura, punkt rosy i zachmurzenie zależą od ich przeszłych wartości.
Abdullah Alomar, absolwent Wydziału Elektrotechniki i Informatyki MIT, współautor opracowania
Jako podstawa twojego algorytmunaukowcy wzięli udział w analizie widma pojedynczego (SSA). Za pomocą tej metody można obliczać wartości i dokonywać predykcji na podstawie poszczególnych szeregów czasowych. Programiści MIT poprawili algorytm, aby wyeliminować potrzebę ręcznego ustawiania zmiennych.
Drugi i kluczowy problem wgdeweloperów, było zaadaptowanie tej metody do analizy wielu szeregów czasowych. Rozwiązanie zaproponowane przez badaczy polegało na „złożeniu” poszczególnych macierzy szeregów czasowych w jedną większą macierz, do której można było zastosować SSA. Twórcy nazwali swoją metodę mSSA. Naukowcy opublikowali wcześniej szczegółowy opis badań i algorytmu w artykule na temat ArXiv.
Naukowcy porównali mSSA z innymi najnowocześniejszymi algorytmami, w tym metodami głębokiego uczenia się, na rzeczywistych zbiorach danych czasowych opisujących sieci energetyczne, ruch drogowy i rynki finansowe.
Naukowcy twierdzą, że wyniki testówwykazali, że ich algorytm przewyższa wszystkie alternatywy w odzyskiwaniu brakujących danych z przeszłości i wszystkie poza jedną alternatywą w przewidywaniu przyszłych wartości. Twórcy pokazali też uniwersalny charakter algorytmu: można go równie skutecznie zastosować do dowolnych szeregów czasowych.
Naukowcy twierdzą, że będą nadal ulepszać tspDB za pomocą nowych algorytmów, które jeszcze bardziej poprawią dokładność prognoz.
Jesteśmy zainteresowani zrobieniemtspDB jest szeroko stosowanym systemem typu open source. Analiza szeregów czasowych jest bardzo istotna, a osadzenie funkcji prognostycznej bezpośrednio w bazie danych wydaje nam się najwygodniejszym sposobem analizy. Nigdy wcześniej tego nie robiono, dlatego chcemy mieć pewność, że świat skorzysta z naszego rozwiązania.
Devavrat Shah, profesor na Wydziale Elektrotechniki i Informatyki MIT, współautor opracowania
Czytaj więcej
Istnieje „piąty element”: nowy eksperyment potwierdzi, że informacja jest istotna
Przerażające dźwięki i tajemnicze stworzenia: najdziwniejsze znaleziska w Rowie Mariańskim
Spójrz na najlepsze zdjęcie Słońca: składa się ono z 83 milionów pikseli