LOESS melhora previsões em séries temporais com machine learning

São Paulo — InkDesign News — A aplicação de machine learning na decomposição de séries temporais através de técnicas como o LOESS revela insights valiosos sobre as tendências e sazonalidade, essenciais para previsão de dados financeiros e econômicos.

Arquitetura de modelo

No processo de decomposição de séries temporais, metodologias como a STL (Seasonal and Trend decomposition using Loess) são empregadas para dispersar dados em componentes de tendência, sazonalidade e resíduo. O uso do LOESS é um avanço relevante por permitir a suavização de dados ao ajustar uma linha com base em pontos de dados vizinhos.

“O LOESS é um processo semelhante à Regressão Linear Simples, mas, aqui, atribuímos pesos aos pontos, de forma que os pontos mais próximos ao ponto alvo recebem mais peso.”
(“LOESS is the process similar to Simple Linear Regression, but the only difference here is, we assign weights to the points such that the points nearer to the target point gets more weight and farther from the target point gets less weight.”)

— Nome, Cargo, Instituição

Treinamento e otimização

A aplicação do LOESS exige a seleção de um valor alpha, que geralmente varia entre 0,3 e 0,5, o que determina a quantidade de dados utilizados na suavização. Esse ajuste é fundamental para lidar com flutuações e outliers nos dados.

“Ao aplicar o LOESS, calculamos distâncias entre o ponto alvo e seus vizinhos para determinar pesos tricube para cada ponto.”
(“The first step in LOESS smoothing is that we calculate the distances between the target point and neighboring points.”)

— Nome, Cargo, Instituição

Resultados e métricas

A efetividade da suavização por LOESS pode ser avaliada através de comparações com valores observados, permitindo a identificação de tendências reais no comportamento dos dados. O modelo é aplicado repetidamente para refinar as estimativas de tendência e sazonalidade até a estabilização dos componentes.

“Após várias rodadas de iteração, os componentes se estabilizam e o STL retorna as estimativas finais.”
(“After several rounds of iteration, the three components get stabilized and STL returns the final trend, seasonality, and residual components.”)

— Nome, Cargo, Instituição

As técnicas de decomposição e suavização de séries temporais utilizando machine learning têm um vasto potencial de aplicações práticas, especialmente em setores como finanças e previsão econômica. A pesquisa futura deverá focar na melhoria dos algoritmos e na integração de novas fontes de dados para aumentar a precisão das previsões.

Fonte: (Towards Data Science – AI, ML & Deep Learning)