Новый метод DelayMix превзошел аналоги в прогнозировании быстроменяющихся временных рядов
Группа исследователей опубликовала в архиве препринтов arXiv работу, посвященную новой модели DelayMix для адаптивного анализа временных рядов. Метод предназначен для работы с потоковыми данными, где постоянно меняются условия и входные задержки.
Ключевая проблема, которую решает DelayMix, — это снижение точности прогнозов при резких сменах режима работы системы. Традиционные подходы требуют компромисса между точностью, устойчивостью и объемом памяти. Предложенный подход использует фиксированное представление прошлых режимов в виде тензора, что экономит ресурсы и сохраняет важную информацию.
DelayMix строит так называемый суммарный тензор системы на основе марковских параметров. Это позволяет одновременно учитывать динамику и задержки. При необходимости алгоритм извлекает из тензора подходящую модель, которая наилучшим образом соответствует текущему состоянию.
Тестирование на реальных наборах данных показало, что DelayMix стабильно превосходит другие методы по точности прогноза и скорости адаптации. Особенно заметно преимущество на сильно нестационарных данных, где система быстро перестраивается под новые условия.
Разработка может найти применение в различных областях: от управления технологическими процессами до анализа финансовых рынков. Авторы подчеркивают вычислительную эффективность метода, что делает его пригодным для работы в реальном времени.
Полный текст статьи доступен на платформе arXiv под идентификатором 2605.26191.
