Исследователи на факультете ICO Московского государственного университета и Федерального исследовательского центра «Информация и управление» Российской академии наук (FIC IU RAS) разработали новый метод повышения точности прогнозов временных рядов, сочетая вероятностные модели и алгоритмы машинного обучения. Метод уже продемонстрировал свою эффективность, улучшив точные показатели до 45,7%. Об этом сообщалось в службе прессы университета.
Результаты работы опубликованы в журнале AI.
Прогнозирование временных рядов играет ключевую роль во многих областях, включая энергетические ресурсы и телекоммуникационные трафики, климат -анализ, медицину и финансы. Они часто характеризуются шумом данных и ограничениями учебных наборов. Это создает трудности для традиционных моделей, которые могут преодолеть или обеспечить низкую точность прогнозов в прикладных задачах. Новая методология, разработанная учеными ФИК Российской академии наук и факультетом Российского государственного университета Московского государственного университета, основана на общем использовании вероятностных моделей и алгоритмов машинного обучения для увеличения широко распространенных возможностей искусственного интеллекта Модели для выявления нетривиальных законов в данных. Подход сосредоточен на улучшении качества прогнозирования даже на небольшие даты.
Предлагаемый подход разрабатывает принципы вероятностного информированного машинного обучения, смешанные когерентные компоненты используются для создания новой информации для моделей машинного обучения. Дополнительные символы формируются с использованием специального алгоритма для объединения параметров при обработке временной строки в скользком режиме окна. Это позволяет вам учитывать нелинейные отношения и стохастические факторы, влияющие на данные. Кроме того, это исследование впервые продемонстрировало эффективность использования смешанных когерентных компонентов как для методов машинного обучения, так и для глубоких нейронных сетей, особенно ансамблей сети повторения LSTM и трансформаторов.
Экспериментальное тестирование методологии было основано на двух базах данных, значительно отличающихся по физической природе. Первый - это данные о тепловом транспорте между океаном и атмосферой, например, в районах Гольф -потока и Море Лабрадо. Эти данные характеризуются сложной динамикой пространства-времени. Вероятно, информированные модели, разработанные учеными, способствовали значительному снижению значений метрики.
Таким образом, средняя квадратная ошибка была уменьшена на 27,7%, а средняя абсолютная процентная ошибка составила 45,7%. Второй набор содержал открытые данные о температуре масла в электрических трансформаторах. Здесь также можно было доказать значительные улучшения, достигнув снижения средней квадратной ошибки на 10% по сравнению с традиционными прогнозными методами, включая варианты превышения результатов реформистской модели.
«Использование вероятностной информации в машинном обучении открывает новые горизонты для анализа временных рядов. Даже в условиях ограниченных или испуганных данных мы можем достичь значительных улучшений в точности прогнозов. Это особенно важно для задач, где прогнозирующая ошибка может привести к серьезным последствиям, будь то энергия, климат или медицинские исследования », - сказал Андрей Горшенин, помощник математической статистики факультета математической статистики Московского государственного университета.
Позже ученые планируют обратить особое внимание на расширение классов используемых архитекторов и их вероятностную информацию, используя различные математические модели для получения высоких точных прогнозов в различных областях науки и промышленности. -сообщает icmos.ru #Математики #из #Московского #государственного #университета #предложили #новый #подход #машинному #обучению #для #прогнозирования #временных #рядов Читать, как было на самом деле:
:format(jpg)/YXJ0aWNsZXMvaW1hZ2UvMjAyNS8yL3Vyc3Vsa2EtZmxpc2tyLndlYnA.jpg)
