Previsioni di serie temporali: un nuovo approccio

La previsione di serie temporali è una sfida complessa in molti settori. Un nuovo studio propone un metodo per migliorare l'accuratezza delle previsioni, basato sulla decomposizione della serie temporale in componenti di trend e stagionalità.

Decomposizione e modelli specifici

L'approccio consiste nell'applicare modelli di apprendimento automatico distinti a ciascuna componente. In particolare, si è osservato che la normalizzazione delle istanze reversibili è efficace solo per la componente di trend. Per la componente stagionale, invece, si utilizzano modelli backbone senza normalizzazione o scaling.

Risultati e vantaggi

Questa strategia ha permesso di ridurre gli errori rispetto ai modelli più avanzati attualmente disponibili. I risultati mostrano una riduzione media del 10% dell'errore quadratico medio (MSE) su diversi dataset di riferimento. Inoltre, l'approccio è stato valutato su un dataset idrologico estratto dallo United States Geological Survey (USGS), ottenendo miglioramenti significativi con una complessità temporale lineare.

I modelli dual-MLP introdotti si dimostrano soluzioni computazionalmente efficienti. Il codice sorgente è disponibile su GitHub.