Previsione su più orizzonti un esempio con i dati meteorologici

Previsione meteo su più orizzonti

Prevedere le precipitazioni in Svizzera utilizzando l’orizzonte di previsione come caratteristica.

• Introduzione
• Esempio: Precipitazioni in Svizzera

Introduzione

L’approccio tradizionale

Quando vogliamo prevedere i valori futuri per una serie temporale, spesso siamo interessati a più orizzonti futuri, ad esempio cosa accadrà tra 1, 2 o 3 mesi. L’approccio tradizionale per prevedere questi diversi orizzonti consiste nel addestrare un modello separato per ogni orizzonte di destinazione.

Alternative comuni

Un’alternativa comune consiste nel addestrare un singolo modello su un breve orizzonte e estenderlo a più orizzonti applicandolo in modo ricorsivo (ovvero prendendo le previsioni precedenti come input per produrre quelle successive). Tuttavia, questo approccio può essere complesso da implementare nei sistemi di produzione e può portare a una propagazione degli errori: un errore su un orizzonte vicino può avere effetti dannosi per quelli successivi.

Un’altra alternativa consiste nel prevedere tutti gli orizzonti contemporaneamente con un modello multivariato. Tuttavia, il tipo di modelli che supportano output multivariati è limitato e richiede uno sforzo extra nella gestione dei dati e nella manutenzione del modello.

Orizzonte come caratteristica

Un approccio più semplice consiste nel concatenare i dati preparati per ogni orizzonte e aggiungere una nuova caratteristica “orizzonte”. Questo approccio ha diversi vantaggi:

• Best practice di ingegneria del software per scrivere codice ML mantenibile
• Serie di apprendimento non supervisionato esplorazione di mappe auto-organizzanti
• Top 10 LLM Open Source da UTILIZZARE nella tua prossima domanda di LLM

1. È semplice da capire e implementare, poiché porta a un singolo modello da addestrare e mantenere.
2. Potenzialmente migliora l’accuratezza delle previsioni, poiché il modello è addestrato su un dataset più ampio. Può persino essere utilizzato come tecnica di “aumento dei dati”: se sei interessato solo a pochi orizzonti, puoi comunque aggiungerne di aggiuntivi nella fase di addestramento per migliorare l’estimazione del modello.
3. Il modello può essere utilizzato per prevedere orizzonti su cui non è stato addestrato, il che potrebbe essere utile se devi prevedere molti orizzonti.

Questo approccio è l’alter ego di un modello globale, ma nel contesto di più orizzonti invece di più…