Prognoza valorilor indicatorilor care se modifică în timp, cum ar fi vremea, prețurile acțiunilor
Pentru a face instrumente de prognozăMai accesibili, programatorii de la Institutul de Tehnologie din Massachusetts (MIT) au dezvoltat un sistem care integrează funcții de prognoză peste o bază de date de serie de timp existentă. Interfața simplificată a sistemului tspDB realizează toate modelările complexe fără intervenția utilizatorului.
Utilizatorul sistemului trebuie doar să apese câtevacheile pentru a obține o prognoză. În același timp, calculul valorilor viitoare se realizează în medie în 0,9 ms, notează autorii. Pentru ca un profan să ia o decizie, sistemul calculează și intervale de încredere, ținând cont de gradul de incertitudine a prognozei.
Unul dintre motivele succesului tspDB estefolosind un nou algoritm de prognoză a seriilor temporale. Algoritmul nostru este deosebit de eficient atunci când analizăm serii de timp multivariate, adică date care conțin mai mult de o variabilă dependentă de timp. De exemplu, într-o bază de date meteo, temperatura, punctul de rouă și acoperirea norilor depind de valorile lor trecute.
Abdullah Alomar, student absolvent la Departamentul de Inginerie Electrică și Știința Calculatoarelor de la MIT, coautor al dezvoltării
Ca bază pentru algoritmul dvscercetătorii au luat analiza spectrului singular (SSA). Folosind această metodă, puteți calcula valori și puteți face predicții bazate pe serii temporale individuale. Programatorii MIT au modificat algoritmul pentru a elimina necesitatea de a seta manual variabilele.
A doua și cheie problemă, conformdezvoltatorii, a fost de a adapta această metodă pentru analiza mai multor serii de timp. Soluția propusă de cercetători a fost să „plieze” matricele individuale ale seriilor de timp într-o matrice mai mare la care să se aplice SSA. Dezvoltatorii și-au numit metoda mSSA. Oamenii de știință au publicat anterior o descriere detaliată a cercetării și a algoritmului într-un articol despre ArXiv.
Cercetătorii au comparat mSSA cu alți algoritmi de ultimă generație, inclusiv metode de învățare profundă, pe seturi de date temporale reale care descriu rețelele electrice, traficul rutier și piețele financiare.
Cercetătorii spun că rezultatele testelorau arătat că algoritmul lor a depășit toate alternativele în recuperarea datelor din trecut lipsă și toate alternativele, cu excepția uneia, în prezicerea valorilor viitoare. Dezvoltatorii au arătat, de asemenea, natura universală a algoritmului: poate fi aplicat la fel de eficient oricărei serii cronologice.
Cercetătorii spun că vor continua să îmbunătățească tspDB cu noi algoritmi care vor îmbunătăți și mai mult acuratețea predicțiilor.
Suntem interesați să facemtspDB este un sistem open source utilizat pe scară largă. Analiza seriilor temporale este foarte importantă, iar încorporarea funcției de prognoză direct în baza de date ni se pare cea mai convenabilă modalitate de analiză. Acest lucru nu s-a mai făcut niciodată și așa că vrem să ne asigurăm că lumea folosește soluția noastră.
Devavrat Shah, profesor la Departamentul de Inginerie Electrică și Știința Calculatoarelor de la MIT, co-autor al dezvoltării
Citeste mai mult
„Al cincilea element” există: un nou experiment va confirma că informațiile sunt materiale
Sunete înfiorătoare și creaturi misterioase: cele mai ciudate descoperiri din șanțul Marianelor
Priviți cea mai bună imagine a Soarelui: este format din 83 de milioane de pixeli