Прогнозування значень показників, що змінюються з часом, таких, як погода, ціна на акції
Щоб зробити інструменти прогнозуваннядоступніше, програмісти з Массачусетського технологічного інституту (МТІ) розробили систему, яка інтегрує функції прогнозування поверх існуючої бази даних часових рядів. Спрощений інтерфейс tspDB виконує все складне моделювання без участі користувача.
Користувачеві системи достатньо натиснути кількаклавіш, щоб отримати прогноз. При цьому розрахунок майбутніх значень здійснюється у середньому за 0,9 мс, зазначають автори. Для того, щоб нефахівець зміг ухвалити рішення, система також розраховує довірчі інтервали з огляду на ступінь невизначеності прогнозу.
Одна з причин успіху tspDB полягає ввикористання нового алгоритму прогнозування часових рядів Наш алгоритм особливо ефективний при аналізі багатовимірних часових рядів, тобто даних, що містять більше однієї змінної, що залежить від часу. Наприклад, у базі даних погоди температура, точка роси та хмарність залежать від своїх попередніх значень.
Абдулла Аломар, аспірант факультету електротехніки та інформатики МТІ, співавтор розробки
Як основа для свого алгоритмудослідники взяли аналіз сингулярного спектра (SSA). З використанням цього методу можна обчислювати значення та будувати прогнози на основі окремих часових рядів. Програмісти з МТІ допрацювали алгоритм, щоб унеможливити ручного налаштування змінних.
Друга та ключова проблема, за словамирозробників полягала в тому, щоб адаптувати цей метод для аналізу кількох часових рядів. Рішення, запропоноване дослідниками, полягало в тому, щоб «скласти» матриці окремих часових рядів в одну велику матрицю, до якої може бути застосовано SSA. Свій метод розробники назвали mSSA. Детальний опис дослідження та алгоритму вчені раніше опублікували у статті на ArXiv.
Вчені порівняли mSSA з іншими сучасними алгоритмами, у тому числі методами глибокого навчання, на реальних наборах тимчасових даних, що описують електромережі, дорожній рух та фінансові ринки.
За словами дослідників, результати тестуванняпоказали, що їхній алгоритм перевершив усі альтернативи щодо відновлення пропущених минулих даних і всі альтернативи крім однієї в прогнозуванні майбутніх значень. Розробники також показали універсальний характер алгоритму: він може однаково ефективно застосовуватися до будь-яких часових рядів.
Дослідники кажуть, що продовжать удосконалювати tspDB, додаючи до неї нові алгоритми, які ще більше збільшать точність прогнозів.
Ми зацікавлені в тому, щоб зробитиtspDB широко використовується системою з відкритим вихідним кодом. Аналіз часових рядів дуже важливий, а вбудовування функції прогнозування безпосередньо в базу даних видається найбільш зручним способом аналізу. Такого ніколи раніше не робили, і тому ми хочемо переконатися, що світ використовує наше рішення.
Деваврат Шах, професор факультету електротехніки та інформатики МТІ, співавтор розробки
Читати далі
«П'ятий елемент» існує: новий експеримент підтвердить, що інформація є матеріальною
Жахливі звуки та загадкові істоти: найдивніші знахідки у Маріанській западині
Подивіться на якісний знімок Сонця: він складається з 83 млн пікселів