TSPO: an autoML approach to time series forecasting
| Main Author: | |
|---|---|
| Publication Date: | 2020 |
| Format: | Master thesis |
| Language: | eng |
| Source: | Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| Download full: | http://hdl.handle.net/10362/106500 |
Summary: | Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics |
| id |
RCAP_698dd3c16e4ddc34151e423be026b81f |
|---|---|
| oai_identifier_str |
oai:run.unl.pt:10362/106500 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository_id_str |
https://opendoar.ac.uk/repository/7160 |
| spelling |
TSPO: an autoML approach to time series forecastingTime Series ForecastingGenetic AlgorithmsMachine LearningTime Series DecompositionTime Series Cross-ValidationHyper-parameter OptimisationTime Series Feature EngineeringautoMLPrevisão de séries temporaisAlgoritmos genéticosAprendizagem automáticaDecomposição de séries temporaisValidação e otimização de parâmetrosEngenharia de características de séries temporaisDissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced AnalyticsTime series forecasting is an essential tool in many fields. In recent years, machine learning has gained popularity as an appropriate tool for time series forecasting. When employing machine learning algorithms, it is necessary to optimise a machine learning pipeline, which is a tedious manual effort and requires time series analysis and machine learning expertise. AutoML (automatic machine learning) is a sub-field of machine learning research that addresses this issue by providing integrated systems that automatically find machine learning pipelines. However, none of the available open-source tools is yet explicitly designed for time series forecasting. The proposed system TSPO (Time Series Pipeline Optimisation) aims at providing an autoML tool specifically designed to solve time series forecasting tasks to give non-experts the capability to employ machine learning strategies for time series forecasting. The system utilises a genetic algorithm to find an appropriate set of time series features, machine learning models and a set of suitable hyper-parameters. The optimisation objective is defined as minimising the obtained error, which is measured with a time series variant of k-fold cross-validation. TSPO outperformed the official machine learning benchmarks of the M4-Competition in 9 out of 12 randomly selected time series. TSPO captured the characteristics of all analysed time series consistently better compared to the benchmarks. The results indicate that TSPO is capable of producing robust and accurate forecasts without any human input.A previsão de séries temporais é uma importante ferramenta em muitas disciplinas. Nos últimos anos, a aprendizagem automática ganhou popularidade como ferramenta apropriada para a previsão de séries temporais. Ao utilizar algoritmos de aprendizagem automática, é necessário otimizar pipelines de aprendizagem automática, que é um esforço manual, tedioso e que requer experiência na área. O AutoML (aprendizagem automática automatizada) é um subcampo de aprendizagem automática que aborda esse problema, fornecendo sistemas integrados que encontram automaticamente pipelines de aprendizagem automática. No entanto, nenhuma das ferramentas de código aberto disponíveis é explicitamente destinada à previsão de séries temporais. O sistema proposto TSPO (Time Series Pipeline Optimisation) visa fornecer uma ferramenta de aprendizagem automática projetada especificamente para resolver problemas de previsão de séries temporais. Dando a não especialistas a capacidade de utilizar estratégias de aprendizagem automática para previsão de séries temporais. O sistema utiliza um algoritmo genético para encontrar um conjunto apropriado de pipelines de séries temporais, modelos de aprendizagem automática e um conjunto de hiperparâmetros adequados. O objetivo da otimização é definido como a minimização do erro obtido, medido com uma variante da validação cruzada k-fold aplicada a séries temporais. O TSPO superou os benchmarks oficiais de aprendizagem automática da competição M4 em 9 das 12 séries temporais aleatoriamente selecionadas. Além disso o TSPO capturou as características de todas as séries temporais analisadas melhor que os benchmarks. Os resultados indicam que o TSPO é capaz de produzir previsões robustas e precisas sem qualquer contribuição humana.Castelli, MauroFerrarese, PieroRUNDahl, Siem Morten Johannes2020-11-02T14:47:43Z2020-09-142020-09-14T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/106500TID:202533522enginfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2024-05-22T17:48:27Zoai:run.unl.pt:10362/106500Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-28T17:19:39.344389Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse |
| dc.title.none.fl_str_mv |
TSPO: an autoML approach to time series forecasting |
| title |
TSPO: an autoML approach to time series forecasting |
| spellingShingle |
TSPO: an autoML approach to time series forecasting Dahl, Siem Morten Johannes Time Series Forecasting Genetic Algorithms Machine Learning Time Series Decomposition Time Series Cross-Validation Hyper-parameter Optimisation Time Series Feature Engineering autoML Previsão de séries temporais Algoritmos genéticos Aprendizagem automática Decomposição de séries temporais Validação e otimização de parâmetros Engenharia de características de séries temporais |
| title_short |
TSPO: an autoML approach to time series forecasting |
| title_full |
TSPO: an autoML approach to time series forecasting |
| title_fullStr |
TSPO: an autoML approach to time series forecasting |
| title_full_unstemmed |
TSPO: an autoML approach to time series forecasting |
| title_sort |
TSPO: an autoML approach to time series forecasting |
| author |
Dahl, Siem Morten Johannes |
| author_facet |
Dahl, Siem Morten Johannes |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Castelli, Mauro Ferrarese, Piero RUN |
| dc.contributor.author.fl_str_mv |
Dahl, Siem Morten Johannes |
| dc.subject.por.fl_str_mv |
Time Series Forecasting Genetic Algorithms Machine Learning Time Series Decomposition Time Series Cross-Validation Hyper-parameter Optimisation Time Series Feature Engineering autoML Previsão de séries temporais Algoritmos genéticos Aprendizagem automática Decomposição de séries temporais Validação e otimização de parâmetros Engenharia de características de séries temporais |
| topic |
Time Series Forecasting Genetic Algorithms Machine Learning Time Series Decomposition Time Series Cross-Validation Hyper-parameter Optimisation Time Series Feature Engineering autoML Previsão de séries temporais Algoritmos genéticos Aprendizagem automática Decomposição de séries temporais Validação e otimização de parâmetros Engenharia de características de séries temporais |
| description |
Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics |
| publishDate |
2020 |
| dc.date.none.fl_str_mv |
2020-11-02T14:47:43Z 2020-09-14 2020-09-14T00:00:00Z |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/106500 TID:202533522 |
| url |
http://hdl.handle.net/10362/106500 |
| identifier_str_mv |
TID:202533522 |
| dc.language.iso.fl_str_mv |
eng |
| language |
eng |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.source.none.fl_str_mv |
reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia instacron:RCAAP |
| instname_str |
FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| instacron_str |
RCAAP |
| institution |
RCAAP |
| reponame_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| collection |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository.name.fl_str_mv |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| repository.mail.fl_str_mv |
info@rcaap.pt |
| _version_ |
1833596613760647168 |