Estás leyendo la publicación: En una investigación de aprendizaje automático más reciente, el equipo de IA de Salesforce desarrolló un nuevo modelo de pronóstico de series temporales llamado ETSformer que aprovecha el principio de suavizado exponencial…
El pronóstico de series de tiempo ha cobrado una gran importancia en los últimos tiempos. La tarea de hacer predicciones futuras basadas en datos previos, particularmente datos numéricos recopilados de forma temporal o ordenada secuencialmente, se conoce como pronóstico de series de tiempo. La previsión precisa de dichos datos tiene varias ventajas en varios campos, como anticipar las ventas de comercio electrónico, lo que permite a las empresas mejorar las decisiones de la cadena de suministro y desarrollar estrategias de fijación de precios más eficaces. Otra área importante donde la previsión es crucial es AIOps. La inteligencia artificial y el aprendizaje automático pueden analizar grandes cantidades de datos de series temporales producidos con frecuencia por las operaciones de TI para aumentar drásticamente la eficiencia operativa. El suavizado exponencial se utiliza cuando se trabaja con datos de series temporales durante la previsión. Es un grupo de técnicas inspiradas en la noción de que los pronósticos son promedios ponderados de observaciones históricas, con pesos que decrecen exponencialmente hacia atrás en el tiempo. En resumen, se da más peso a los datos recientes que a los datos históricos, lo que refleja la idea de que la historia reciente debería ser más significativa para formular nuevas predicciones o reconocer patrones actuales.
La tendencia y la estacionalidad son los dos patrones más comunes que se encuentran en los datos de series temporales. El desarrollo de técnicas de pronóstico se basa en gran medida en la descomposición de series de tiempo en componentes de tendencia y estacionalidad, ya que hacerlo simplifica la evaluación de cada componente por separado y produce pronósticos más precisos. Las descomposiciones de tendencia y estacionalidad consideran el conocimiento previo relacionado con estructuras de series de tiempo combinadas con una descomposición ponderada exponencialmente al pronosticar modelos. La popularidad y la precisión de las técnicas en los pronósticos son una clara indicación de sus ventajas. Los modelos estadísticos simples ya no son prácticos debido a la abundancia de métricas de series temporales; Se utilizan modelos más potentes de aprendizaje automático y aprendizaje profundo para producir proyecciones precisas a largo plazo. Sin embargo, los datos de series temporales suelen ser erráticos y ruidosos, y los enfoques actuales no consideran adecuadamente las tendencias y la estacionalidad. Los enfoques existentes pueden tener en cuenta algunos conocimientos previos, pero no son específicos de series de tiempo, lo que provoca proyecciones a largo plazo erróneas y modelos inadecuados de patrones temporales.
Investigadores de Salesforce han introducido el método de pronóstico de series temporales de ETSformer como una solución a las deficiencias de los enfoques existentes. Su método de “transformadores de suavizado exponencial” utiliza un transformador que se puede configurar para manejar datos de series temporales. ETSformer, inspirado en las técnicas tradicionales de suavizado exponencial, combina la fuerza de los transformadores con su eficiencia para producir un rendimiento de vanguardia. La arquitectura del sistema consiste principalmente en un transformador, que incluye un codificador y un decodificador y es fundamental para los tres procesos principales. El codificador maneja el paso de descomposición. La serie temporal se utiliza como entrada, y de ella se extraen los componentes de nivel, crecimiento y estacionalidad. Estos elementos se entregan al decodificador durante el proceso de extrapolación, que los extrapola al futuro. Los componentes extrapolados se combinan en una sola proyección futura en la última etapa antes de salir del decodificador.
El equipo ha demostrado a través de numerosas evaluaciones que su enfoque de fusionar técnicas tradicionales de suavizado exponencial con una arquitectura de transformador es más que una noción sólida en teoría. Al obtener un rendimiento de vanguardia sobre seis conjuntos de datos de series temporales del mundo real de varios dominios de aplicaciones, incluidos pronósticos de tráfico, pronósticos financieros de series temporales, etc., ETSformer demuestra la eficacia de su metodología. El informe del estudio del equipo ofrece un análisis más completo de los hallazgos empíricos y comparaciones con otras líneas de base. Además, ETSformer genera descomposiciones interpretables de las cantidades anticipadas en lugar de descomposiciones erróneas y ruidosas, lo que demuestra una tendencia clara y un patrón estacional. Es notable el hecho de que el sistema crea pronósticos basados en una combinación de componentes comprensibles de series de tiempo. Esto hace posible visualizar cada elemento por separado y comprender cómo la estacionalidad y la tendencia afectan los pronósticos. Esta interpretabilidad es un componente crucial ya que permite que las decisiones tomadas por los sistemas de IA sean lo más transparentes posible. El logro del rendimiento SOTA de ETSformer demuestra que la integración de métodos ETS con un diseño basado en transformadores puede afectar positivamente el mundo real. El equipo ha abierto su código para fomentar el estudio adicional y los usos comerciales de ETSformer para la previsión de series temporales.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘Formador de ETS: Transformadores de suavizado exponencial para pronósticos de series de tiempo‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel, enlace github y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
