Quan parlem d'analitzar dades que evolucionen amb el rellotge, ens fiquem al fascinant món de les sèries temporals. Bàsicament, es tracta de qualsevol conjunt de mesuraments presos en intervals regulars de temps , cosa que ens permet observar com canvia una variable i, el més important, intentar endevinar què passarà més endavant. És una eina que avui dia és el pa de cada dia en sectors tan variats com les finances o la medicina, ja que permet convertir l'històric de dades en un avantatge competitiu real.
A diferència d'altres models estadístics que miren les dades com a peces soltes, aquí la clau és la seqüència. Es parteix de la premissa que el passat influeix en el futur , per la qual cosa analitzar els patrons temporals és fonamental per no anar a cegues. Ja sigui per gestionar un magatzem o per predir una epidèmia, entendre la dinàmica de les dades temporals és el que marca la diferència entre reaccionar tard o anticipar-se al cop.
Components fonamentals duna sèrie temporal
Per no embolicar-se amb els números, el primer és descompondre la sèrie a les seves peces bàsiques. En primer lloc tenim la tendència , que és aquesta direcció general (cap amunt o cap avall) que segueixen les dades a llarg termini. Després hi ha el cicle , que fa referència a patrons que es repeteixen però que no tenen un període fix, donant-nos una visió més global del moviment.
Un punt crític és l' estacionalitat , que són aquestes fluctuacions que tenen lloc sempre al mateix moment, com que es venguin més bufandes a l'hivern o que hi hagi pics d'electricitat durant el dia. Finalment, trobem la variació aleatòria o soroll , que són aquests salts imprevistos causats per errors o esdeveniments fortuïts que no segueixen cap regla i que, en general, són els més difícils de predir.
Metodologies i enfocaments de modelatge
Depenent del complex que sigui el problema, podem estirar diferents eines. Per a coses senzilles, existeixen els models clàssics ; aquí destaquen la mitjana mòbil, ideal per veure fluctuacions a curt termini, i el suavitzat temporal, que dóna més pes a les dades recents per ajustar-se millor al futur immediat.
Si la cosa es complica, entren en joc els models ARIMA (AutoRegressius Integrats de Mitja Mòbil) , que combinen l'autoregressió i la diferència de dades per manejar sèries molt més rebuscades. I ja a la lliga dels pesos pesants, tenim l' aprenentatge profund (Deep Learning) . Aquí manen les xarxes neuronals recurrents (RNN) i, especialment, les LSTM (Long Short-Term Memory) , que solucionen el problema de l'esvaïment del gradient i permeten recordar dependències a llarg termini.
Arquitectures avançades d'intel·ligència artificial
Dins la IA, hi ha arquitectures molt potents segons el que busquem. Les FCN (Xarxes Completament Convolucionals) , que vénen del món de les imatges, resulten sorprenents per extreure tendències i estacionalitats gràcies als seus filtres unidimensionals. D'altra banda, InceptionTime utilitza convolucions en paral·lel per augmentar la profunditat de la xarxa sense que el cost computacional es dispari, evitant el sobreajustament amb capes de coll d'ampolla.
També tenim les ResNet , que introdueixen blocs residuals o connexions de salt perquè el gradient flueixi millor i la xarxa pugui ser més profunda sense perdre rendiment. Hi ha a més la ResCNN , que barreja el millor de ResNet i les xarxes convolucionals, usant funcions d'activació variades com ReLU o ELU per aconseguir una abstracció de dades molt més fina.
La classificació de sèries temporals i l'aprenentatge semisupervisat
Classificar sèries temporals consisteix a assignar un conjunt de dades a una categoria predefinida. Per això, s'han adaptat algoritmes com els arbres de decisió, les màquines de suport vectorial (SVM) i l'algorisme dels k veïns més propers (kNN), i aquest darrer és una opció molt robusta. El problema és que etiquetar dades a mà és un treball titànic i molt car.
Aquí és on entra l' aprenentatge semi-supervisat , que permet aprofitar grans volums de dades no etiquetades juntament amb uns quants exemples marcats. Tècniques com el self-training (autoetiquetatge) permeten que el model aprengui per si mateix. Entre els mètodes més efectius destaquen SETRED, tri-training i democratic , sent aquests últims ideals per a problemes de baixa complexitat, mentre que SETRED brilla en escenaris d'alta dificultat.
Aplicacions pràctiques al món real
- Sector Salut: Permet anticipar la propagació de malalties infeccioses i gestionar la capacitat hospitalària abans que arribi un pic de pacients.
- Finances: Essencial per predir el valor d'accions, criptomonedes o canvis a les taxes d'interès.
- energia: Ajuda les centrals eòliques o elèctriques a preveure la demanda segons el clima, evitant el malbaratament de recursos.
- Ecommerce i Màrqueting: Clau per optimitzar l'estoc de productes segons la demanda prevista i dissenyar campanyes publicitàries que arribin al moment just.
Per saber si el model funciona, es fan servir mètriques com el RMSE (Error Quadràtic Mitjà) . Es distingeix entre l'RMSE de predicció, que mira quant s'ajusta la corba a les dades que ja tenim, i l' RMSE de validació , que és el veritable jutge, ja que mesura la precisió del model en enfrontar-se a dades que mai no ha vist.
La capacitat de transformar dades històriques en prediccions precises permet a les empreses optimitzar els inventaris, reduir riscos financers i millorar l'experiència del client. En integrar des de models estadístics clàssics fins a xarxes neuronals profundes i tècniques d'autoetiquetatge, és possible domar la complexitat de l'estacionalitat i el soroll per prendre decisions estratègiques fonamentades.