AI Umum

Proses Pembuatan Data Umum untuk Peramalan Deret Waktu Non-Stasioner

Pendahuluan

Peramalan deret waktu merupakan salah satu tantangan utama dalam pembelajaran mesin, yang telah memberikan kontribusi terobosan di beberapa domain. Namun, model peramalan tidak dapat menggeneralisasi pergeseran distribusi yang berubah seiring waktu karena data deret waktu secara inheren non-stasioner.

Jenis Teknik Peramalan

Berdasarkan asumsi tentang pergeseran distribusi temporal antar-instans dan intra-instans, dua jenis teknik utama telah disarankan untuk mengatasi masalah ini:

  • Teknik Stasioner: Memisahkan ketergantungan stasioner dan non-stasioner.
  • Teknik Non-Stasioner: Mengasumsikan non-stasioneritas dalam pengamatan.

Model IDEA

Peneliti dari Mohamed bin Zayed University of Artificial Intelligence, Guangdong University, Carnegie Mellon University, dan Shantou University mengusulkan model IDEA untuk peramalan deret waktu non-stasioner. Model ini didasarkan pada temuan teoretis yang mengidentifikasi lingkungan laten dan variabel stasioner/non-stasioner.

Kerangka Kerja IDEA

  • Inferensi Variasional: Memperkirakan lingkungan laten menggunakan model Markov tersembunyi autoregresif.
  • Jaringan Prior Modular: Mengidentifikasi variabel laten stasioner dan non-stasioner.
  • Perkiraan Batas Bawah Prior: Menggunakan jaringan prior modular untuk memperkirakan variabel laten stasioner dan non-stasioner.

Evaluasi

Model IDEA dievaluasi pada delapan kumpulan data tolok ukur dunia nyata yang umum digunakan dalam peramalan deret waktu non-stasioner. Hasilnya menunjukkan bahwa IDEA berkinerja lebih baik daripada metode dasar lainnya pada sebagian besar tugas peramalan, terutama pada tolok ukur yang sulit seperti cuaca dan ILI.

Kesimpulan

Model IDEA memberikan proses pembuatan data umum untuk peramalan deret waktu non-stasioner. Model ini mengungguli metode dasar dengan mengidentifikasi lingkungan laten yang dapat dibedakan dan mempertimbangkan pergeseran distribusi temporal secara efektif.