TSMixer Il nuovo modello di previsione di Google

TSMixer il nuovo modello di previsione di Google

Esplora l’architettura di TSMixer e implementala in Python per un compito di previsione multivariata a lungo termine

Foto di Zdeněk Macháček su Unsplash

Il campo della previsione delle serie temporali continua a essere in fermento, con molti importanti contributi recenti come N-HiTS, PatchTST, TimesNet e ovviamente TimeGPT.

Nel frattempo, l’architettura del Transformer ha sbloccato prestazioni senza precedenti nel campo dell’elaborazione del linguaggio naturale (NLP), ma non è vero per la previsione delle serie temporali.

In effetti, sono state proposte moltissime modelli basati su Transformer come Autoformer, Informer, FEDformer e altri ancora. Questi modelli richiedono spesso molto tempo per essere addestrati e si è scoperto che modelli lineari semplici ottengono risultati migliori su molti dataset di riferimento (vedi Zheng et al., 2022).

A tale proposito, nel settembre 2023, ricercatori di Google Cloud AI Research hanno proposto TSMixer, un modello basato su percettroni multistrato (MLP) che si concentra sul mixaggio delle dimensioni temporali e delle caratteristiche per fare previsioni migliori.

Nel loro articolo TSMixer: Un’architettura completamente basata su MLP per la previsione delle serie temporali, gli autori dimostrano che questo modello raggiunge prestazioni all’avanguardia su molti dataset di riferimento, pur rimanendo semplice da implementare.

In questo articolo, esploreremo prima l’architettura di TSMixer per comprendere il suo funzionamento interno. Successivamente, implementeremo il modello in Python e condurremo il nostro esperimento per confrontare le sue prestazioni con quelle di N-HiTS.

Per maggiori dettagli su TSMixer, assicurati di leggere il paper 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 di statistica e deep learning, tutto in Python e TensorFlow!

Cominciamo!

Esplora TSMixer

Quando si tratta di previsioni, sappiamo intuitivamente che l’utilizzo di informazioni incrociate tra diverse variabili può aiutare a ottenere previsioni migliori.

Ad esempio, il meteo e le precipitazioni probabilmente influiscono sul numero di visitatori in un parco divertimenti…