Изследователи  от Масачузетския технологичен институт (MIT) твърдят, че са разработили апарат, който да помогне на анализаторите да предсказват бъдещето по данни от времеви данни

Дефинирани като колекция от наблюдения, записани за определен период от време, данните от времевите серии и техните прогнози са от решаващо значение за анализа на акции, медицинската диагностика и дори прогнозата за времето.

Никой не знае какво ни очаква в бъдещето. По-малко научните подходи за предсказване на бъдещето включват хора като екстрасенси, медиуми и астрологични предсказатели. Но подобни практики и техните методи не са били в състояние да дадат последователно научно обосновани резултати.

За разлика от тях, математиците и статистиците, работещи в областта на анализа на данни, често използват инструменти за прогнозен анализ, за ​​да предложат сравнително точен поглед върху възможни бъдещи събития. За съжаление, повечето от тези системи за прогнозиране зависят от сложни алгоритми и значителна изчислителна мощност, което ги прави до голяма степен недостъпни за обикновените анализатори на времеви редове.

Изследователите от MIT твърдят, че са променили това уравнение, като са разработили опростен алгоритъм за прогнозиране на бъдещето, който всеки изследовател може да използва.

„Създаването на прогнози на основата на данни от времеви редове обикновено изисква множество стъпки на обработка на данни и използване на сложни алгоритми за машинно обучение“, се обяснява в съобщение за пресата, в което се обявява нов инструмент за прогнозиране на бъдещето, „които имат толкова стръмна крива на обучение, че не могат да бъдат лесно достъпни за неексперти.”

Изследователи от MIT идват на помощ със своя нов инструмент, tspDB (база данни за прогнозиране на времеви серии). За разлика от други сложни инструменти за анализ на данни и прогнозиране, tspDB „прави цялото сложно моделиране зад кулисите, така че неспециалистът може лесно да създаде прогноза само за няколко секунди“.

Изненадващо, екипът зад новата система твърди, че tspDB е по-точен и по-ефективен от почти всички настоящи методи за дълбоко обучение в две ключови области: прогнозиране на бъдещи стойности и попълване на липсващи точки от данни.

Програмният изследовател Абдула Аломар казва, че ефективността идва от използването от tspDB на „нов алгоритъм за прогнозиране на времеви серии“, който е уникално ефективен при анализиране на многовариантни данни от времеви серии. Пример е анализът на времето, където индикатори като облачност, температура и точка на оросяване зависят от минали стойности.

В публикуваните резултати екипът на MIT обяснява как са тествали системата tspDB срещу конкурентни алгоритми, включително усъвършенствани техники за дълбоко обучение, чрез анализиране на набори от данни в реално време. Те включват данни от електрическата мрежа, моделите на трафика и финансовите пазари. Както беше „предвидено“, новият алгоритъм се представи отлично, превъзхождайки всички, освен една от другите системи, тествани при прогнозиране на бъдещи стойности.

„Една от причините, поради които мисля, че работи толкова добре, е, че моделът улавя много динамики на времевите серии, но в края на краищата това все още е прост модел“, каза Аломар. „Когато работите с нещо толкова просто като този модел, вместо с невронна мрежа, която лесно може да побере данните, можете да получите по-добри резултати.“

В сегашния си вид инструментът за прогнозиране на MIT може да бъде инсталиран върху съществуваща база данни, което позволява на изследователите да завършат заявката за прогнозиране „само с няколко натискания на клавиши за около 0,9 милисекунди, в сравнение с 0,5 милисекунди за стандартна заявка за търсене.“ Наред с безпрецедентната скорост и точност, изследователите отбелязват, че техният инструмент за прогнозиране става още по-точен, тъй като към системата се добавят повече данни.

„Дори когато данните от времевите серии стават по-сложни, този алгоритъм може ефективно да улови всяка структура на времеви ред“, казва старшият автор Деваврат Шах. „Изглежда, че сме намерили правилния обектив, за да разгледаме сложността на модела на данните от времевите серии.“

Екипът на MIT приветства ефективността и точността на системата, но казва, че усилията им се ръководят от лекотата на използване на системата за случайни изследователи.

„Нашият интерес е на най-високо ниво да видим, че tspDB успява като широко използвана система с отворен код“, добавя Аломар. „Данните от времевите серии са много важни и е страхотна концепция да се изградят функции за прогнозиране директно в базата данни. Това не се е случвало преди и затова искаме да сме сигурни, че светът ги използва.“

Последвайте ни в Телеграм

© 2022 nepoznato.energetika-bg.com All rights reserved!

Още по темата във фейсбук:

© 2022 nepoznato.energetika-bg.com All rights reserved!