پیش‌بینی سری‌های زمانی پیشرفته: مطالعه تطبیقی ​​مدل‌های Mamba، GRU، KAN، GNN و ARMA

تصور کنید بخواهید پیش‌بینی کنید که چگونه گروهی از عوامل مرتبط در طول زمان تغییر می‌کنند – مانند قیمت سهام که بر یکدیگر تأثیر می‌گذارند، ژن فعالیت در یک سیستم بیولوژیکی، یا فروش محصولات متصل در یک زنجیره تامین. اینها فقط سری های زمانی مجزا نیستند. آنها به روشی که مدل های سنتی اغلب از آن غافل هستند، بر یکدیگر تأثیر متقابل دارند و بر یکدیگر تأثیر می گذارند. این همان چیزی است که پیش‌بینی سری‌های زمانی چند متغیره را جذاب و چالش‌برانگیز می‌کند.

برای سال‌ها، مدل‌هایی مانند ARMA استاندارد پیش‌بینی سری‌های زمانی بوده‌اند. آنها برای مدیریت یک سری در یک زمان به خوبی کار می کنند، اما برای به تصویر کشیدن روابط بین چندین سری تلاش می کنند. در واقع، این یک شکاف بزرگ است. قیمت سهام به هم مرتبط هستند، شاخص های اقتصادی با هم حرکت می کنند و فروش یک محصول می تواند بر کل موجودی تاثیر بگذارد. آنچه ما نیاز داریم مدل هایی هستند که نه تنها روندهای فردی را ردیابی کنند، بلکه درک کنند که چگونه این مجموعه ها بر یکدیگر تأثیر می گذارند.

در این مقاله، من پنج رویکرد مختلف برای مقابله با پیش‌بینی چند متغیره را بررسی می‌کنم:

مدل الهام گرفته از مامبا برای ثبت دینامیک مبتنی بر زمان.GRU (واحدهای بازگشتی دروازه‌ای) برای یافتن الگوها در دنباله‌ها. شبکه‌های کلموگروف-آرنولد (KAN) با وزن‌های پویا برای کشف روابط غیرخطی. شبکه‌های عصبی نمودار (GNN) برای ترسیم روابط بین سری‌ها به عنوان… وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی