• AI
• Deep Learning
• Forecasting
• Machine Learning
• Time Series

Questo lavoro di tesi magistrale è stato svolto per un tirocinio semestrale presso un'azienda che sviluppa soluzioni di Intelligenza Artificiale. Il lavoro esposto nei prossimi capitoli documenta lo sviluppo e l'integrazione di avanzate funzionalità per il time series forecasting all'interno di una framework specializzato. Questo strumento è stato inoltre potenziato con l'inserimento di nuovi modelli di deep learning.

Tra le diverse funzionalità implementate in questo framework ci sono: un meccanismo di encoding del dato temporale e uno strumento per la cross validation delle time series. Il primo ha permesso di integrare nel dato da analizzare tutta l'informazione temporale, affinché il modello potesse avere conoscenza anche di questo tipo di informazione. Lo strumento di cross validation invece, viene utilizzato prima della fase di training per valutare in modo più efficiente e realistico il modello di previsione.

Il vero focus del lavoro però è stata l'introduzione di nuovi modelli di deep learning all'interno del framework di time series forecasting. Il primo dei due, TimesNet, si basa sulla tecnica di convoluzione, efficace nel catturare l'interdipendenza temporale delle serie temporali. L'altro modello utilizza come strumento principale la struttura di un transformer, la tecnologia che negli ultimi anni ha rivoluzionato il mondo del deep learning. Questo secondo modello ha la capacità di catturare le dipendenze temporali a lungo termine di una serie temporale e di riuscire a interpretare anche le sequenze più complesse.

La tesi in analisi vuole analizzare le metodologie utilizzate e i risultati ottenuti nel campo del time series forecasting, tramite un framework altamente specializzato in questo campo del deep learning.

This master’s thesis work was performed for a six-month internship at a company that develops Artificial Intelligence solutions. The work presented in the next chapters, documents the development and integration of advanced features for time series forecasting within a specialized framework. This tool has also been enhanced with the inclusion of new deep learning models. Among the different features implemented in this framework are: a time data encoding mechanism and a time series cross validation tool. The first allowed to integrate in the data to be analyzed all the temporal information, so that the model could have knowledge of this type of information. The cross validation tool, on the other hand, is used before the training phase to evaluate the forecasting model more efficiently and realistically. The real focus of the work, however, was the introduction of new deep learning models within the time series forecasting framework. The first of the two, TimesNet, is based on the convolution technique, effective in capturing the temporal interdependence of time series. The other model uses as its main tool the structure of a transformer, the technology that in recent years has revolutionized the world of deep learning. This second model has the ability to capture the long-term time dependencies of a time series and to interpret even the most complex sequences. The thesis in analysis aims to analyze the methodologies used and the results obtained in the field of time series forecasting, through a framework highly specialized in this field of deep learning.