Sia che qualcuno stia cercando di prevedere il tempo di domani, prevedere i prezzi delle azioni future, identificare opportunità perse di vendita al dettaglio o stimare il rischio di un paziente di sviluppare una malattia, probabilmente dovrà interpretare i dati di serie temporali, che sono una raccolta di osservazioni registrate col tempo. Fare previsioni utilizzando dati di serie temporali richiede in genere diversi passaggi di elaborazione dei dati e l’uso di algoritmi di apprendimento automatico complessi, che hanno una curva di apprendimento ripida. I ricercatori del MIT hanno creato un sistema che integra direttamente la previsione su un database esistente per rendere questi potenti strumenti più facili da usare. I metodi di deep learning all’avanguardia sono più efficienti del nuovo sistema quando si tratta di riempire i punti dati mancanti e prevedere i valori futuri. Uno studente laureato in ingegneria elettrica e informatica (EECS) di nome Abdullah Alomar è autore di un recente documento di ricerca in cui lui e i suoi coautori descrivono un nuovo algoritmo di previsione di serie temporali. I dati di serie temporali multivariabili sono dati che hanno più di una variabile dipendente dal tempo. All’utente viene fornito un livello di confidenza per le sue previsioni stimando la volatilità di una serie temporale. Anche se i dati delle serie temporali diventano più complessi, questo algoritmo può acquisire efficacemente qualsiasi struttura di serie temporali disponibile. “Sembra che abbiamo trovato l’obiettivo giusto per esaminare la complessità del modello dei dati delle serie temporali”, afferma l’autore senior Devavrat Shah, professore di Andrew ed Erna Viterbi in EECS e membro dell’Institute for Data, Systems, and Society e del Laboratorio. Shah e il suo team hanno lavorato per anni sul problema dell’interpretazione dei dati di serie temporali, adattando diverse tecniche e integrandole nell’interfaccia. I ricercatori sospettavano che potesse consentire alla loro interfaccia di fare previsioni utilizzando i dati delle serie temporali. Alomar afferma che se stai lavorando con qualcosa di semplice come questo, invece di una rete neurale che può facilmente sovraccaricare i dati, puoi ottenere prestazioni migliori. Le prestazioni di mSSA sono ciò che lo rende così efficace. I ricercatori hanno dimostrato perché mSSA funziona così bene e ora stanno cercando nuovi modi per incorporarlo nel database. Fornisce una variante pratica di mSSA che non richiede alcuna messa a punto manuale, fornisce la prima analisi nota di mSSA e gli autori dimostrano il valore reale del loro algoritmo essendo competitivi o superando diversi algoritmi noti per imputazioni e previsioni. Lo strumento creato dal MIT consente alle persone di fare previsioni estremamente accurate utilizzando più dati di serie temporali. Più serie temporali possono essere trasformate in una matrice multidimensionale di numeri utilizzando la potenza del loro strumento.