SparseTSF: Pronóstico ligero y robusto de series temporales a través del modelado Sparse

Área de la Ciencia:

• Aprendizaje automático
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• El pronóstico de series temporales a largo plazo (LTSF) presenta desafíos en el modelado de dependencias temporales complejas con recursos computacionales limitados.
• Los métodos existentes a menudo requieren parámetros sustanciales y potencia computacional, lo que dificulta su aplicación en entornos con recursos limitados.

Objetivo del estudio:

• Introducir SparseTSF, un método extremadamente ligero y nuevo para LTSF.
• Abordar la necesidad de modelos de pronóstico de series temporales eficientes y robustos con un mínimo de gastos generales computacionales.
• Demostrar un rendimiento competitivo con respecto a los métodos más avanzados utilizando un número significativamente menor de parámetros.

Principales métodos:

• Desarrolló SparseTSF, un nuevo método de previsión.
• Implementó la técnica de pronóstico de escasez entre períodos, que implica secuencias de muestreo descendente para la predicción de tendencias.
• Centrado en reducir la complejidad del modelo y el recuento de parámetros al tiempo que mejora la robustez a través de la regularización implícita.

Principales resultados:

• SparseTSF utiliza menos de 1.000 parámetros, logrando un rendimiento competitivo en LTSF.
• Demostró ventajas significativas con ventanas retrospectivas más largas (por ejemplo, 720), explotando efectivamente la periodicidad y la información de tendencias.
• Mostró notables capacidades de generalización, funcionando bien con datos limitados, muestras pequeñas o datos de baja calidad.

Conclusiones:

• SparseTSF ofrece un equilibrio óptimo entre el rendimiento y la eficiencia computacional para LTSF.
• El método es muy adecuado para escenarios con limitaciones de recursos, pequeños conjuntos de datos o datos ruidosos.
• El código disponible al público facilita la adopción y la investigación adicional en el pronóstico de series temporales ligeras.