![Previsione pratica di serie temporali monotone con XGBoost, utilizzando Python | di Piero Paialunga | Marzo 2024
| Intelligenza-Artificiale Previsione pratica di serie temporali monotone con XGBoost, utilizzando Python | di Piero Paialunga | Marzo 2024
| Intelligenza-Artificiale](https://intelligenza-artificiale.eu/wp-content/uploads/2024/03/Previsione-pratica-di-serie-temporali-monotone-con-XGBoost-utilizzando-Python.png)
Un paio di mesi fa, stavo partecipando a un progetto di ricerca e avevo un problema da risolvere che coinvolgeva le serie temporali.
Il problema era abbastanza semplice:
“A partire da questa serie storica con t passi temporaliprevedere il prossimo k valori“
Per gli appassionati di Machine Learning, è come scrivere “Hello World”, poiché questo problema è estremamente noto alla comunità con il nome “previsione”.
La comunità del Machine Learning ha sviluppato molte tecniche che possono essere utilizzate per prevedere i valori successivi di una serie temporale. Alcuni metodi tradizionali coinvolgono algoritmi come ARIMA/SARIMA O Analisi della trasformata di Fouriere altri algoritmi più complessi sono i Reti neurali convoluzionali/ricorrenti o il famosissimo”Trasformatore” (la T in ChatGPT sta per trasformatori).
Sebbene il problema delle previsioni sia molto noto, è forse meno raro affrontarlo con vincoli.
Lasciami spiegare cosa intendo.
Hai una serie temporale con una serie di parametri X e il passo temporale T.
IL standard previsione del tempo…
Fonte: towardsdatascience.com