ترجمه فارسی مقاله SPINEX-TimeSeries: پیش‌بینی‌های مبتنی بر شباهت با همسایه‌های قابل توضیح، کاوش برای سری‌های زمانی و مسائل پیش‌بینی

چکیده

This paper introduces a new addition to the SPINEX (Similarity-based Predictions with Explainable Neighbors Exploration) family, tailored specifically for time series and forecasting analysis. This new algorithm leverages the concept of similarity and higher-order temporal interactions across multiple time scales to enhance predictive accuracy and interpretability in forecasting. To evaluate the effectiveness of SPINEX, we present comprehensive benchmarking experiments comparing it against 18 algorithms and across 49 synthetic and real datasets characterized by varying trends, seasonality, and noise levels. Our performance assessment focused on forecasting accuracy and computational efficiency. Our findings reveal that SPINEX consistently ranks among the top 5 performers in forecasting precision and has a superior ability to handle complex temporal dynamics compared to commonly adopted algorithms. Moreover, the algorithm’s explainability features, Pareto efficiency, and medium complexity (on the order of O(log n)) are demonstrated through detailed visualizations to enhance the prediction and decision-making process. We note that integrating similarity-based concepts opens new avenues for research in predictive analytics, promising more accurate and transparent decision making.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله علاوه بر این به خانواده Spinex (پیش بینی های مبتنی بر شباهت با اکتشاف همسایگان قابل توضیح) ارائه شده است ، که به طور خاص برای سری های زمانی و تجزیه و تحلیل پیش بینی تنظیم شده است.این الگوریتم جدید از مفهوم شباهت و تعامل زمانی مرتبه بالاتر در مقیاس های زمانی مختلف استفاده می کند تا دقت و تفسیر پیش بینی را در پیش بینی افزایش دهد.برای ارزیابی اثربخشی Spinex ، ما آزمایش های معیار جامع را با مقایسه آن در برابر 18 الگوریتم و در 49 مجموعه داده مصنوعی و واقعی که با روندهای مختلف ، فصلی و سطح سر و صدا مشخص می شوند ، ارائه می دهیم.ارزیابی عملکرد ما بر دقت پیش بینی و کارآیی محاسباتی متمرکز شده است.یافته های ما نشان می دهد که Spinex به طور مداوم در بین 5 مجری برتر در دقت پیش بینی قرار دارد و توانایی برتر در رسیدگی به پویایی زمانی پیچیده در مقایسه با الگوریتم های متداول دارد.علاوه بر این ، ویژگی های توضیح الگوریتم ، راندمان پارتو و پیچیدگی متوسط ​​(به ترتیب O (log n)) از طریق تجسم دقیق برای افزایش پیش بینی و روند تصمیم گیری نشان داده شده است.ما توجه می کنیم که ادغام مفاهیم مبتنی بر شباهت ، راه های جدیدی را برای تحقیق در تجزیه و تحلیل پیش بینی کننده باز می کند و نوید تصمیم گیری دقیق تر و شفاف تر را می دهد.