Nytt verktyg förbättrar tillförlitligheten hos tidsseriemodeller med upp till 58 %

arXiv cs.AI

Forskare har identifierat ett problem med AI-modeller för långsiktig tidsserieprognostisering (alltså modeller som förutsäger framtida värden som väder eller elförbrukning): samma tidpunkt kan få olika förutsägelser beroende på vilket datainput modellen fick, vilket gör resultaten opålitliga. Deras lösning, AliO, minskar dessa inkonsekvenser och förbättrar konsistensen med upp till 58,2 % enligt ett nytt mätvärde kallat TAM, samtidigt som prognosernas träffsäkerhet förbättras med upp till 27,5 %. Intressant nog visar studien att befintliga standardmått som MSE (medelkvadratfel) helt missar detta reliabilitetsproblem — modeller kan se bra ut på pappret men ändå ge motstridiga svar.