Naukowcy z MIT twierdzą, że opracowali proste narzędzie, które pomaga analitykom przewidywać przyszłość na podstawie danych szeregów czasowych.  Zdefiniowane jako zbiór obserwacji zarejestrowanych przez pewien okres, dane szeregów czasowych i ich prognozy mają kluczowe znaczenie dla analizy zasobów, diagnostyki medycznej, a nawet prognozowania pogody.

Nikt nie wie, co przyniesie nam przyszłość. Mniej naukowe podejścia do przewidywania przyszłości obejmują ludzi, takich jak media, media i predyktory astrologiczne. Jednak takie praktyki i ich metody nie były w stanie konsekwentnie dawać naukowo uzasadnionych wyników. W przeciwieństwie do tego, matematycy i statystycy zajmujący się analizą danych często korzystają z narzędzi do analizy predykcyjnej, aby oferować w miarę dokładny obraz możliwych przyszłych zdarzeń. Niestety większość tych systemów prognostycznych jest uzależniona od złożonych algorytmów i znacznej mocy obliczeniowej, co sprawia, że ​​są one w dużej mierze niedostępne dla zwykłych analityków szeregów czasowych.

Naukowcy z MIT twierdzą, że zmienili to równanie, opracowując uproszczony algorytm przewidywania przyszłości, z którego może skorzystać każdy badacz. Tworzenie prognoz na podstawie danych szeregów czasowych zazwyczaj wymaga wielu etapów przetwarzania danych i użycia złożonych algorytmów uczenia maszynowego, które mają tak długą krzywą uczenia się, że nie są łatwo dostępne dla laików. Dlatego eksperci przychodzą na ratunek dzięki nowemu narzędziu, tspDB (baza danych prognozowania szeregów czasowych). W przeciwieństwie do innych złożonych narzędzi do analizy danych i prognozowania, tspDB „zajmuje się całym złożonym modelowaniem za kulisami, dzięki czemu laik może łatwo stworzyć prognozę w ciągu zaledwie kilku sekund”.

Co zaskakujące, zespół stojący za nowym systemem twierdzi, że tspDB jest dokładniejszy i wydajniejszy niż prawie wszystkie obecne metody głębokiego uczenia w dwóch kluczowych obszarach: przewidywanie przyszłych wartości i uzupełnianie brakujących punktów danych. Badacz programu, Abdullah Alomar, twierdzi, że wydajność wynika z zastosowania przez tspDB „nowego algorytmu przewidywania szeregów czasowych”, który jest wyjątkowo skuteczny w analizie danych wielowymiarowych szeregów czasowych. Przykładem jest analiza pogody, w której wskaźniki takie jak zachmurzenie, temperatura i punkt rosy zależą od wartości z przeszłości.

W opublikowanych wynikach zespół MIT wyjaśnia, w jaki sposób przetestował system tspDB w porównaniu z konkurencyjnymi algorytmami, w tym zaawansowanymi technikami głębokiego uczenia, analizując zbiory danych szeregów czasu rzeczywistego. Obejmowały one dane z sieci elektrycznej, wzorców ruchu i rynków finansowych. Zgodnie z przewidywaniami nowy algorytm działał znakomicie, przewyższając wszystkie inne systemy testowane pod kątem przewidywania przyszłych wartości poza jednym. Jednym z powodów, dla których to działa tak dobrze, jest to, że model oddaje dużo dynamiki szeregów czasowych, ale ostatecznie jest to nadal prosty model.

W obecnej formie narzędzie do przewidywania MIT można zainstalować na istniejącej bazie danych, umożliwiając naukowcom wypełnienie zapytania przewidującego „za pomocą zaledwie kilku naciśnięć klawiszy w około 0,9 milisekundy, w porównaniu do 0,5 milisekundy w przypadku standardowego zapytania wyszukiwania”. Naukowcy zauważają, że wraz z bezprecedensową szybkością i dokładnością ich narzędzie prognostyczne staje się jeszcze dokładniejsze, im więcej danych jest dodawanych do systemu.

Zespół MIT chwali wydajność i dokładność systemu, ale twierdzi, że ich wysiłki są napędzane przez łatwość użycia systemu dla przypadkowych badaczy. W tym kontekście ważne jest aby tspDB odniósł sukces jako szeroko stosowany system open source. Dane szeregów czasowych są bardzo ważne i to świetny pomysł na budowanie funkcji predykcyjnych bezpośrednio w bazie danych.