TimesNet Il più recente avanzamento nella previsione delle serie temporali
TimesNet Il più recente avanzamento nella previsione delle serie temporali
Comprendere l’architettura TimesNet e applicarla a un compito di previsione con Python
In articoli precedenti, abbiamo esplorato gli ultimi sviluppi nelle tecniche di previsione all’avanguardia, partendo da N-BEATS rilasciato nel 2020, N-HiTS nel 2022 e PatchTST nel marzo 2023. Ricordiamo che N-BEATS e N-HiTS si basano sull’architettura del perceptron multistrato, mentre PatchTST sfrutta l’architettura del Transformer.
A partire da aprile 2023, è stato pubblicato un nuovo modello nella letteratura e ottiene risultati all’avanguardia su più compiti nell’analisi delle serie temporali, come previsione, imputazione, classificazione e rilevamento di anomalie: TimesNet.
TimesNet è stato proposto da Wu, Hu, Liu et al nel loro articolo: TimesNet: modellizzazione delle variazioni spaziotemporali 2D per l’analisi generale delle serie temporali.
A differenza dei modelli precedenti, utilizza un’architettura basata su CNN per ottenere risultati all’avanguardia su diversi compiti, rendendolo un ottimo candidato come modello di base per l’analisi delle serie temporali.
- Non dimenticare gli intervalli di confidenza per il tuo prodotto di ML
- Colmare i Domini Introdurre le Migliori Pratiche Finanziarie, di Privacy e di Software nella Gestione del Rischio ML
- Questa newsletter dell’IA è tutto ciò di cui hai bisogno #68
In questo articolo, esploreremo l’architettura e il funzionamento interno di TimesNet. Successivamente, applicheremo il modello a un compito di previsione, insieme a N-BEATS e N-HiTS, per completare il nostro piccolo esperimento.
Come sempre, per ulteriori dettagli, consultare l’articolo originale.
Scopri le ultime tecniche di analisi delle serie temporali con il mio cheat sheet gratuito sulle serie temporali in Python! Ottieni l’implementazione di tecniche statistiche e di deep learning, tutte in Python e TensorFlow!
Cominciamo!
Esplorare TimesNet
La motivazione dietro TimesNet deriva dalla realizzazione che molte serie temporali reali mostrano una multi-periodicità. Ciò significa che si verificano variazioni in diversi periodi.
Ad esempio, la temperatura esterna ha sia un periodo giornaliero che annuale. Di solito fa più caldo durante il giorno che di notte e più caldo durante l’estate che in inverno.
Ora, questi periodi multipli si sovrappongono e interagiscono tra loro, rendendo difficile separarli e modellarli…
