Введение в методы поиска информации в прогнозировании временных рядов
Делиться
Почему поиск информации помогает в прогнозировании временных рядов
Всем известно, что с временными рядами бывает непросто.
Традиционные модели прогнозирования не готовы к таким событиям, как внезапные обвалы рынка, «черные лебеди» или редкие погодные явления.
Даже такие крупные и дорогие модели, как Chronos, иногда испытывают трудности, потому что раньше им не приходилось сталкиваться с подобными узорами.
Мы можем смягчить это с помощью поиска информации . Благодаря поиску информации мы можем спросить: «Случалось ли что-нибудь подобное раньше?» — и затем, используя этот прошлый пример, скорректировать прогноз.
Как всем известно, в обработке естественного языка (NLP) эта идея называется генерацией с расширенным поиском (Retrieval-Augmented Generation, RAG) . Она также набирает популярность в области прогнозирования временных рядов.
Затем модель анализирует прошлые ситуации , похожие на текущую, и на основе этого может делать более надежные прогнозы.
Чем этот алгоритм прогнозирования извлечения данных отличается от традиционных алгоритмов анализа временных рядов? В алгоритме прогнозирования извлечения данных добавляется явный этап доступа к памяти .
Вместо:
Прошлое -> Параметры -> Прогноз
В результате поиска мы получаем:
Текущая ситуация -> поиск сходства -> конкретные прошлые эпизоды -> прогноз
Вместо того чтобы просто использовать то, чему модель научилась во время обучения , идея состоит в том, чтобы предоставить ей доступ к ряду схожих ситуаций.
Это всё равно что позволить метеорологической модели проверить: «Как выглядели подобные зимы в прошлом ?».
Источник: towardsdatascience.com
