Hava durumu, hisse senedi fiyatları gibi zamanla değişen göstergelerin değerlerinin tahmin edilmesi
Tahmin araçları oluşturmakDaha erişilebilir olan Massachusetts Teknoloji Enstitüsü'ndeki (MIT) programcılar, tahmin işlevlerini mevcut bir zaman serisi veritabanının üzerine entegre eden bir sistem geliştirdiler. TspDB sisteminin basitleştirilmiş arayüzü, tüm karmaşık modellemeyi kullanıcı etkileşimi olmadan gerçekleştirir.
Sistemin kullanıcısının sadece birkaç tuşa basması yeterlidir.bir tahmin almak için anahtarlar. Yazarlar, aynı zamanda, gelecekteki değerlerin hesaplanmasının ortalama 0,9 ms'de gerçekleştirildiğini belirtiyor. Bir meslekten olmayan kişinin karar vermesi için sistem, tahmin belirsizliğinin derecesini dikkate alarak güven aralıklarını da hesaplar.
TspDB'nin başarısının nedenlerinden biriyeni bir zaman serisi tahmin algoritması kullanıyor. Algoritmamız özellikle çok değişkenli zaman serilerini, yani birden fazla zamana bağlı değişken içeren verileri analiz ederken etkilidir. Örneğin, bir hava durumu veritabanında sıcaklık, çiğlenme noktası ve bulut örtüsü geçmiş değerlerine bağlıdır.
Abdullah Alomar, MIT Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü yüksek lisans öğrencisi, geliştirmenin ortak yazarı
Algoritmanız için bir temel olarakaraştırmacılar Tekil Spektrum Analizi (SSA) aldı. Bu yöntemi kullanarak bireysel zaman serilerine dayalı olarak değerleri hesaplayabilir ve tahminlerde bulunabilirsiniz. MIT programcıları, değişkenleri manuel olarak ayarlama ihtiyacını ortadan kaldırmak için algoritmayı değiştirdi.
Ona göre ikinci ve en önemli sorungeliştiricilerin amacı bu yöntemi çoklu zaman serilerinin analizi için uyarlamaktı. Araştırmacılar tarafından önerilen çözüm, bireysel zaman serisi matrislerini, SSA'nın uygulanabileceği daha büyük bir matris halinde "katlamak"tı. Geliştiriciler yöntemlerine mSSA adını verdiler. Bilim insanları daha önce ArXiv'deki bir makalede araştırma ve algoritmanın ayrıntılı bir açıklamasını yayınlamıştı.
Araştırmacılar mSSA'yı, elektrik şebekelerini, karayolu trafiğini ve finansal piyasaları tanımlayan gerçek hayattaki zamansal veri setleri üzerinde derin öğrenme yöntemleri de dahil olmak üzere diğer son teknoloji algoritmalarla karşılaştırdı.
Araştırmacılar test sonuçlarını söylüyoralgoritmalarının, eksik geçmiş verileri kurtarmada tüm alternatiflerden ve gelecekteki değerleri tahmin etmede biri hariç tüm alternatiflerden daha iyi performans gösterdiğini gösterdi. Geliştiriciler ayrıca algoritmanın evrensel doğasını da gösterdiler: herhangi bir zaman serisine eşit derecede etkili bir şekilde uygulanabilir.
Araştırmacılar, tahminlerin doğruluğunu daha da artıracak yeni algoritmalar ile çay kaşığını geliştirmeye devam edeceklerini söylüyorlar.
Yapmakla ilgileniyoruztspDB yaygın olarak kullanılan açık kaynaklı bir sistemdir. Zaman serisi analizi çok önemlidir ve tahmin fonksiyonunu doğrudan veri tabanına yerleştirmek bize analizin en uygun yolu gibi görünmektedir. Bu daha önce hiç yapılmamıştı ve bu nedenle dünyanın çözümümüzü kullandığından emin olmak istiyoruz.
MIT Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü profesörü Devavrat Shah, geliştirmenin ortak yazarı
Daha fazla oku
"Beşinci unsur" mevcuttur: yeni bir deney, bilginin maddi olduğunu doğrulayacaktır.
Ürpertici sesler ve gizemli yaratıklar: Mariana Çukuru'ndaki en tuhaf buluntular
Güneş'in en iyi resmine bakın: 83 milyon pikselden oluşuyor