MIT har utvecklat en universell algoritm för att förutsäga framtiden

Prognostisera värdena för indikatorer som förändras över tiden, såsom väder, aktiekurser

eller risken att utveckla en sjukdom, genomförs påbaserat på historisk dataanalys. För att bygga en högkvalitativ prognos måste du som regel använda komplexa maskininlärningsalgoritmer. Sådana algoritmer är svåra för icke-specialister att använda.

Att göra prognosverktygMer tillgängligt har programmerare vid Massachusetts Institute of Technology (MIT) utvecklat ett system som integrerar prognosfunktioner ovanpå en befintlig tidsseriedatabas. tspDB-systemets förenklade gränssnitt utför all komplex modellering utan användarinteraktion.

Användaren av systemet behöver bara trycka på några fånycklar för att få en prognos. Samtidigt utförs beräkningen av framtida värden i genomsnitt på 0,9 ms, noterar författarna. För att en lekman ska kunna fatta ett beslut beräknar systemet även konfidensintervall, med hänsyn till graden av prognososäkerhet.

En av anledningarna till tspDB:s framgång ärmed en ny algoritm för tidsserieprognos. Vår algoritm är särskilt effektiv när vi analyserar multivariata tidsserier, det vill säga data som innehåller mer än en tidsberoende variabel. Till exempel, i en väderdatabas beror temperatur, daggpunkt och molntäcke på deras tidigare värden.

Abdullah Alomar, doktorand vid institutionen för elektroteknik och datavetenskap vid MIT, medförfattare till utvecklingen

Som grund för din algoritmforskarna tog Singular Spectrum Analysis (SSA). Med den här metoden kan du beräkna värden och göra förutsägelser baserat på individuella tidsserier. MIT-programmerarna justerade algoritmen för att eliminera behovet av att manuellt ställa in variabler.

Det andra och nyckelproblemet, enligtutvecklare, var att anpassa denna metod för analys av flera tidsserier. Lösningen som forskarna föreslog var att "vika" de individuella tidsseriematriserna till en större matris som SSA kunde appliceras på. Utvecklarna kallade sin metod för mSSA. Forskare publicerade tidigare en detaljerad beskrivning av forskningen och algoritmen i en artikel om ArXiv.

Forskarna jämförde mSSA med andra toppmoderna algoritmer, inklusive metoder för djupinlärning, på verkliga tidsdatauppsättningar som beskriver elnät, vägtrafik och finansmarknader.

Forskare säger testresultatvisade att deras algoritm överträffade alla alternativ för att återställa saknade tidigare data och alla utom ett alternativ för att förutsäga framtida värden. Utvecklarna visade också den universella karaktären hos algoritmen: den kan appliceras lika effektivt på alla tidsserier.

Forskarna säger att de kommer att fortsätta att förbättra tspDB med nya algoritmer som ytterligare kommer att förbättra noggrannheten i förutsägelser.

Vi är intresserade av att göratspDB är ett allmänt använt system med öppen källkod. Tidsserieanalys är mycket viktigt och att bädda in prognosfunktionen direkt i databasen förefaller oss det mest bekväma sättet att analysera. Detta har aldrig gjorts tidigare och därför vill vi se till att världen använder vår lösning.

Devavrat Shah, professor vid institutionen för elektroteknik och datavetenskap vid MIT, medförfattare till utvecklingen

Läs mer

Det "femte elementet" finns: ett nytt experiment kommer att bekräfta att informationen är väsentlig

Läskiga ljud och mystiska varelser: de märkligaste fynden i Mariangraven

Titta på den bästa bilden av solen: den består av 83 miljoner pixlar