AliO: l’allineamento degli output conta nelle previsioni a lungo termine delle serie temporali

Abstract degli autori

Le previsioni a lungo termine delle serie temporali (LTSF), che utilizzano la sequenza di dati attuale per prevedere quella futura, sono diventate sempre più importanti in applicazioni reali come le previsioni meteorologiche e la pianificazione del consumo di elettricità. Tuttavia, i modelli LTSF più avanzati spesso non riescono a produrre previsioni allineate per gli stessi istanti temporali quando ricevono sequenze di input sfasate nel tempo. Le loro previsioni per gli stessi istanti temporali oscillano, compromettendo l’affidabilità del modello. Per affrontare questo problema proponiamo AliO (Align Outputs), un nuovo approccio che migliora l’allineamento degli output dei modelli LTSF riducendo le differenze tra le previsioni relative agli stessi istanti temporali, sia nel dominio del tempo sia in quello della frequenza. Per misurare l’allineamento degli output introduciamo una nuova metrica, TAM (Time Alignment Metric), che quantifica l’allineamento tra le previsioni, mentre le metriche esistenti, come MSE, misurano soltanto la distanza tra le previsioni e i valori effettivi. I risultati sperimentali mostrano che AliO migliora l’allineamento degli output, fino al 58,2% secondo TAM, mantenendo o migliorando le prestazioni previsionali (fino al 27,5%). Questo maggiore allineamento rende i modelli LTSF più affidabili e più adatti alle applicazioni reali.