Riassunto analitico
Le short time series rappresentano una delle sfide maggiori per il forecasting odierno. Non è inusuale infatti che, per la brevità che le caratterizza, gli algoritmi precedentemente proposti non riescano ad estrarre abbastanza informazioni per comprendere l'andamento della serie. In letteratura si sono sviluppati due principali filoni paralleli: il primo utilizza tecniche di Deep Learning (es. Multilayer Perceptron, reti convolutive 1D) mentre il secondo predilige l'applicazione di Linear Time Series Models (es. modelli auto-regressivi, basati su medie mobili o la combinazione delle due). Nonostante la maggior complessità dei metodi Deep, quelli lineari hanno avuto più successo in quanto restituiscono, a fronte di un minor utilizzo di risorse, risultati anche più precisi. Differentemente dalle branche citate sopra, questo elaborato propone l'applicazione di metodi di ensemble a modelli di forecasting già affermati che però trovano difficoltà nel campo delle short time series. Gli esperimenti svolti mostrano come l'applicazione di metodi di ensemble migliori l'accuratezza di previsione rispetto ai principali competitor.
|
Abstract
Le short time series rappresentano una delle sfide maggiori per il forecasting odierno. Non è inusuale infatti che, per la brevità che le caratterizza, gli algoritmi precedentemente proposti non riescano ad estrarre abbastanza informazioni per comprendere l'andamento della serie. In letteratura si sono sviluppati due principali filoni paralleli: il primo utilizza tecniche di Deep Learning (es. Multilayer Perceptron, reti convolutive 1D) mentre il secondo predilige l'applicazione di Linear Time Series Models (es. modelli auto-regressivi, basati su medie mobili o la combinazione delle due). Nonostante la maggior complessità dei metodi Deep, quelli lineari hanno avuto più successo in quanto restituiscono, a fronte di un minor utilizzo di risorse, risultati anche più precisi. Differentemente dalle branche citate sopra, questo elaborato propone l'applicazione di metodi di ensemble a modelli di forecasting già affermati che però trovano difficoltà nel campo delle short time series. Gli esperimenti svolti mostrano come l'applicazione di metodi di ensemble migliori l'accuratezza di previsione rispetto ai principali competitor.
|
