Изследователите разработват удобен за потребителя интерфейс, който ще помага на неспециалисти да правят прогнози, използвайки данни, събрани за определен период от време.
Още: Евелин Костова и Владимир Зомбори влизат в забавни роли във видео скеч в сервиза на Huawei
Още: Yettel спира да публикува в социалните си медии
Ако някой се опитва да предвиди времето за дадена дата, да прогнозира бъдещите цени на акциите, да определи пропуснатите възможности за продажби на дребно или да оцени риска на пациента от развитие на заболяване, той вероятно ще трябва да интерпретира набор от данни, записани във времето.
Смарт устройствата ни следят навсякъде
Правенето на прогнози с помощта на данни от времеви серии обикновено изисква няколко стъпки на обработка на данни и използване на сложни алгоритми за машинно обучение, които имат толкова сложна крива на обучение, че невинаги са достъпни за неспециалисти.
Още: А1 въвежда нови по-екологични и два пъти по-малки SIM карти
Още: Направи добър жест, а А1 ще го удвои
За да направят тези мощни инструменти по-удобни за потребителя, изследователите от Масачузетския технологичен институт са разработили система, която интегрира функции за прогнозиране върху съществуваща база данни от времеви серии.
За още любопитни и полезни статии - очакваме ви във Viber канала ни! Последвайте ни тук!
Още: Върховният съд на САЩ се съгласи да разгледа делото за забрана на TikTok
Техният опростен интерфейс, наречен tspDB (Time Series Prediction Database), изпълнява цялото сложно моделиране зад кулисите, така че дори лаик може лесно да генерира желаната прогноза само за няколко секунди.
Мощният алгоритъм зад новия инструмент може да преобразува множество времеви серии в тензор, който представлява многоизмерен масив от числа. © MIT
Още: А1 с променено работно време в празничните дни
Още: А1 добавя SPARK към портфолиото си от дигитални услуги Select
Новата система е по-точна и по-ефективна от съвременните методи за дълбоко обучение при изпълнението на две задачи: предвиждане на бъдещи стойности и попълване на липсващи точки от данни.
Една от причините за успеха на системата tspDB е в това, че тя включва нов алгоритъм за прогнозиране на времевите серии.
Този алгоритъм е особено ефективен при прогнозиране данни, съдържащи повече от една променлива, която зависи от времето. В базата данни за метеорологичното време например температурата, точката на оросяване и облачността зависят от предишните им стойности.
Алгоритъмът също така оценява променливостта на многовариантните времеви серии, за да предостави на потребителя достоверност на прогнозите.
Назоваха най-лошите смартфони в историята
„Въпреки че данните от времевите серии стават все по-сложни, този алгоритъм може ефективно да улови всяка структура от времеви серии. Изглежда, че сме намерили правилния обектив, за да разгледаме сложността на моделите на данни от времеви серии“, казват учените.
Когато потребителят инсталира tspDB върху съществуваща база данни, той може да извърши заявка само с няколко натискания на клавиши за около 0,9 милисекунди.
Интерфейсът tspDB е предназначен да помогнат на неспециалистите да вземат по-информирани решения, отчитайки степента на несигурност в прогнозите при вземане на решения. Например, системата може да позволи на неспециалист да предвиди бъдещи цени на акциите с висока точност само за няколко минути, дори ако наборът от данни от времева серия съдържа липсващи стойности.
Изследването ще бъде представено на конференцията ACM SIGMETRICS.
