ترجمه فارسی مقاله RHiOTS: چارچوبی برای ارزیابی الگوریتم‌های پیش‌بینی سری‌های زمانی سلسله مراتبی

چکیده

We introduce the Robustness of Hierarchically Organized Time Series (RHiOTS) framework, designed to assess the robustness of hierarchical time series forecasting models and algorithms on real-world datasets. Hierarchical time series, where lower-level forecasts must sum to upper-level ones, are prevalent in various contexts, such as retail sales across countries. Current empirical evaluations of forecasting methods are often limited to a small set of benchmark datasets, offering a narrow view of algorithm behavior. RHiOTS addresses this gap by systematically altering existing datasets and modifying the characteristics of individual series and their interrelations. It uses a set of parameterizable transformations to simulate those changes in the data distribution. Additionally, RHiOTS incorporates an innovative visualization component, turning complex, multidimensional robustness evaluation results into intuitive, easily interpretable visuals. This approach allows an in-depth analysis of algorithm and model behavior under diverse conditions. We illustrate the use of RHiOTS by analyzing the predictive performance of several algorithms. Our findings show that traditional statistical methods are more robust than state-of-the-art deep learning algorithms, except when the transformation effect is highly disruptive. Furthermore, we found no significant differences in the robustness of the algorithms when applying specific reconciliation methods, such as MinT. RHiOTS provides researchers with a comprehensive tool for understanding the nuanced behavior of forecasting algorithms, offering a more reliable basis for selecting the most appropriate method for a given problem.

چکیده به فارسی (ترجمه ماشینی)

ما استحکام چارچوب سری زمانی سری (Rhiots) را که به صورت سلسله مراتبی انجام شده است ، برای ارزیابی استحکام مدل های پیش بینی سری سلسله مراتبی و الگوریتم ها در مجموعه داده های دنیای واقعی معرفی می کنیم.سری زمانی سلسله مراتبی ، که در آن پیش بینی های سطح پایین باید از سطح بالایی جمع شود ، در زمینه های مختلف مانند فروش خرده فروشی در سراسر کشورها شیوع دارد.ارزیابی های تجربی فعلی روشهای پیش بینی اغلب به مجموعه کوچکی از مجموعه داده های معیار محدود می شود و نمای باریک از رفتار الگوریتم را ارائه می دهد.Rhiots با تغییر سیستماتیک مجموعه داده های موجود و اصلاح ویژگی های سری های فردی و روابط متقابل آنها ، این شکاف را برطرف می کند.برای شبیه سازی آن تغییرات در توزیع داده ها از مجموعه ای از تحولات پارامتری استفاده می کند.علاوه بر این ، REIOTS یک مؤلفه تجسم نوآورانه را در بر می گیرد ، و نتایج ارزیابی استحکام چند بعدی پیچیده و چند بعدی را به تصاویر بصری و به راحتی قابل تفسیر می رساند.این رویکرد اجازه می دهد تا یک تجزیه و تحلیل عمیق از الگوریتم و رفتار مدل در شرایط متنوع انجام شود.ما با تجزیه و تحلیل عملکرد پیش بینی کننده چندین الگوریتم ، استفاده از ریوت ها را نشان می دهیم.یافته های ما نشان می دهد که روشهای آماری سنتی نسبت به الگوریتم های یادگیری عمیق و پیشرفته قوی تر هستند ، مگر اینکه اثر تحول بسیار مختل کننده باشد.علاوه بر این ، ما هنگام استفاده از روشهای خاص آشتی ، مانند نعنا ، تفاوت معنی داری در استحکام الگوریتم ها مشاهده نکردیم.Rhiots یک ابزار جامع برای درک رفتار ظریف الگوریتم های پیش بینی در اختیار محققان قرار می دهد و مبنای قابل اطمینان تری برای انتخاب مناسب ترین روش برای یک مشکل خاص ارائه می دهد.