Prediction of Large Time Series
Prédiction des Séries Temporelles Larges
Résumé
Nowadays, data management and processing systems are supposed to store and process large time series. As the number of observed and related variables increases, their prediction becomes more and more complicated, and the use of all variables poses problems for conventional prediction models.
In the field of massive time series prediction, one of the main problems in real applications is how to determine the most relevant set of predictive variables, which will be used in a multivariate prediction model, to predict a target time series.
Prediction models without external factors were the first data prediction mod- els. In order to improve the accuracy of prediction, the use of multiple variables has become common. So, models that take external factors into account, or mul- tivariate models, appear, and become more and more used because they take into account more information than univariate models.
With the increase in interrelated data, the application of multivariate models is also becoming questionable. Because the use of all existing information does not necessarily lead to the best predictions. Therefore, the challenge in this situation is to find the most relevant factors among the available data set, in order to predict a given time series.
In this work, we study this problem by presenting a detailed analysis of the pro- posed approaches in the literature. We note that what is interesting in this issue is the temporal aspect when analyzing the dependencies between the variables, and this is absent in many well-known methods. We propose a new approach to tacle this problem based on the selection of the variables by using the causal- ity graphs, with techniques of exploration of these graphs in order to detect the "Hubs" variables which transfer the information relative to other predictors and variables to predict. Finally, we present an implementation of a complete pro- cess for the prediction of large time series, and as perspectives, we present a first proposition to distribute this prediction system.
De nos jours, les systèmes de gestion et de traitement des données sont censés stocker et traiter de grandes séries temporelles. Comme le nombre de variables observées et liées augmente, leur prédiction est devenue de plus en plus compli- quée, et l’utilisation de toutes les variables pose des problèmes pour les modèles de prédiction classiques.
Dans le domaine de la prédiction de séries temporelles massives, l’un des prin- cipaux problèmes qui se posent dans les applications réelles, est comment dé- terminer l’ensemble de variables prédictives les plus pertinentes, qui vont être utilisées dans un modèle de prédiction multi-varié en vue de prédire une série temporelle cible.
Les modèles de prédiction sans facteurs externes étaient les premières modèles de prédiction des données. En vue d’améliorer la precision des prédictions de ces modèles, l’utilisation de multiples variables est devenue commune. Ainsi, les modèles qui tiennent en compte des facteurs externes, ou bien les modèles multi- variés, apparaissent et deviennent de plus en plus utilisés car ils prennent en compte plus d’informations que les modèles uni-variés.
Avec l’augmentation des données liées entre eux, l’application des modèles multi-variés devient aussi discutable. Parce que l’utilisation de toutes les infor- mations existantes n’amène pas forcément aux meilleures prédictions. Par consé- quent, le challenge dans cette situation est de trouver les facteurs les plus perti- nents à partir de l’ensemble des données originales.
Dans ce travail, nous étudions ce problème en présentant une analyse détaillée des approches proposées dans la littérature. Nous remarquons que ce qui intéres- sant dans cette problématique est l’aspect temporel lors de l’analyse des dépen- dances entre les variables, et cela est absent dans beaucoup de méthodes bien connues. Nous proposons donc une nouvelle démarche pour approcher ce pro- blème basée sur la sélection des variables en utilisant les graphes de causalité, avec des techniques d’exploration de ces graphes en vue de détecter les variables
« Hubs » qui transfèrent l’information par rapports aux autres variables prédic- tives et aux variables à prédire. Finalement, nous présentons une implémenta- tion d’un processus complet pour la prédiction des séries temporelles larges, et comme perspectives, nous présentons une première proposition pour distribuer ce système de prédiction.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...