Previsão dos valores de indicadores que mudam ao longo do tempo, como clima, preços de ações
Para fazer ferramentas de previsãoMais acessível, os programadores do Instituto de Tecnologia de Massachusetts (MIT) desenvolveram um sistema que integra funções de previsão em um banco de dados de séries temporais existente. A interface simplificada do sistema tspDB realiza toda modelagem complexa sem interação do usuário.
O usuário do sistema só precisa pressionar algunschaves para obter uma previsão. Ao mesmo tempo, o cálculo dos valores futuros é realizado em média em 0,9 ms, observam os autores. Para que um leigo tome uma decisão, o sistema também calcula intervalos de confiança, levando em consideração o grau de incerteza da previsão.
Uma das razões para o sucesso do tspDB éusando um novo algoritmo de previsão de série temporal. Nosso algoritmo é particularmente eficaz na análise de séries temporais multivariadas, ou seja, dados contendo mais de uma variável dependente do tempo. Por exemplo, em um banco de dados meteorológicos, a temperatura, o ponto de orvalho e a cobertura de nuvens dependem de seus valores passados.
Abdullah Alomar, estudante de pós-graduação do Departamento de Engenharia Elétrica e Ciência da Computação do MIT, coautor do desenvolvimento
Como base para o seu algoritmoos pesquisadores fizeram Análise de Espectro Singular (SSA). Usando esse método, você pode calcular valores e fazer previsões com base em séries temporais individuais. Os programadores do MIT ajustaram o algoritmo para eliminar a necessidade de definir manualmente as variáveis.
O segundo e principal problema, segundodesenvolvedores, foi adaptar este método para a análise de múltiplas séries temporais. A solução proposta pelos pesquisadores foi “dobrar” as matrizes de séries temporais individuais em uma matriz maior à qual o SSA pudesse ser aplicado. Os desenvolvedores chamaram seu método de mSSA. Os cientistas publicaram anteriormente uma descrição detalhada da pesquisa e do algoritmo em um artigo no ArXiv.
Os pesquisadores compararam o mSSA com outros algoritmos de última geração, incluindo métodos de aprendizagem profunda, em conjuntos de dados temporais da vida real que descrevem redes elétricas, tráfego rodoviário e mercados financeiros.
Pesquisadores dizem que resultados de testesmostraram que seu algoritmo superou todas as alternativas na recuperação de dados passados ausentes e todas, exceto uma alternativa, na previsão de valores futuros. Os desenvolvedores também mostraram a natureza universal do algoritmo: ele pode ser aplicado de forma igualmente eficaz a qualquer série temporal.
Os pesquisadores dizem que continuarão a melhorar o tspDB com novos algoritmos que melhorarão ainda mais a precisão das previsões.
Estamos interessados em fazertspDB é um sistema de código aberto amplamente utilizado. A análise de séries temporais é muito importante e incorporar a função de previsão diretamente no banco de dados parece-nos a forma mais conveniente de análise. Isto nunca foi feito antes e por isso queremos garantir que o mundo utilize a nossa solução.
Devavrat Shah, professor do Departamento de Engenharia Elétrica e Ciência da Computação do MIT, coautor do desenvolvimento
Consulte Mais informação
O "quinto elemento" existe: um novo experimento confirmará que a informação é material
Sons assustadores e criaturas misteriosas: os achados mais estranhos na Fossa das Marianas
Veja a melhor imagem do Sol: consiste em 83 milhões de pixels