محلی سازی مدل های پیش بینی سراسری با یک رویکرد خوشه بندی

با تولید روز افزون داده های سری زمانی، مدل های پیش بینی که بر روی مجموعه ای از سری های زمانی آموزش داده می شوند و به عنوان مدل های پیش بینی سراسری شناخته می شوند، عملکرد بهتری نسبت به مدل های پیش بینی تک متغیره که بر روی سری های جداگانه آموزش می بینند، دارند. با این حال، عملکرد مدل های سراسری ممکن است در مواجهه با مجموعه داده های ناهمگن سری های زمانی با طول های متفاوت کاهش یابد. در این مطالعه، یک روش جدید برای محلی سازی مدل های پیش بینی سراسری مبتنی بر خوشه بندی ارائه می شود. مراحل اصلی روش ارائه شده شامل (۱) استخراج ویژگی های مرتبط از هر سری زمانی (۲) خوشه بندی سری های زمانی بر پایه ویژگی های استخراج شده با استفاده از الگوریتم های K-Medoids و خوشه بندی طیفی (۳) پیاده سازی یک مدل پیش بینی سراسری با استفاده ازمدل مبتنی بر شبکه کانولوشنی زمانی و آموزش آن برای هر خوشه است. برای ارزیابی دقت پیش بینی، آزمایشاتی بر روی مجموعه داده M۳ شامل ۱۴۲۶ سری زمانی با طول های غیریکسان انجام شد. نتایج آزمایشات نشان دهنده عملکرد برتر مدل های پیشنهادی در مقایسه با مدل های پایه و مدل های محک است. در معیار SMAPE، مدل پیشنهادی ۰.۵۷ خطای کمتری دارد.