Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 85): Predicción multidimensional de series temporales"

[MetaQuotes]

Artículo publicado Redes neuronales: así de sencillo (Parte 85): Predicción multidimensional de series temporales:

En este artículo presentaremos un nuevo método complejo de previsión de series temporales que combina armoniosamente las ventajas de los modelos lineales y los transformadores.

La idea principal deClientconsiste en pasar de centrarse en el tiempo a analizar las dependencias entre variables e integrar un módulo lineal en el modelo para aprovechar mejor las dependencias de las variables y la información sobre tendencias, respectivamente.

Los autores del métodoClientabordan de forma creativa la tarea de previsión de series temporales. Por un lado, en el algoritmo propuesto nos encontramos con planteamientos que ya nos son familiares. Por otro lado, rechaza métodos aparentemente establecidos. Al mismo tiempo, la inclusión o exclusión de cada bloque individual en el algoritmo irá acompañada de una serie de pruebas que demostrarán la idoneidad de la decisión tomada en cuanto al rendimiento del modelo.

Para resolver el problema del desplazamiento de distribución, los autores del método usan la normalización reversible con estructura simétrica (RevIN), que presentamos en el artículo anterior. Se usa para eliminar primero la información estadística de las series temporales de los datos de origen. Y tras el procesamiento por parte del modelo y la obtención de valores de previsión, se restaura en ellos la información estadística de las series temporales iniciales, lo que en general permite aumentar la estabilidad del entrenamiento del modelo y la calidad de los valores de previsión de las series temporales.

Autor: Dmitriy Gizlyk