مدلهای پیشبینی سریهای زمانی معمولاً در شناسایی «نقاط اوج» (مثل اوج شلوغی جمعیت یا ترافیک) ضعیف عمل میکنند چون روی میانگین خطا متمرکز هستند. حالا محققان متد جدیدی به نام «APAL» معرفی کردهاند که با استفاده از یک تابع زیانِ نامتقارن، یادگیری مدل را روی نقاط بحرانی متمرکز میکند.
این روش به مدل یاد میدهد که خطای پیشبینیِ کمتر (Under-prediction) در زمانهای حساس را جدیتر بگیرد و دقت پیشبینی پیکها را به شدت بالا ببرد. این تکنیک برای سیستمهای مدیریت شهری و پیشبینی تقاضا بسیار کاربردی است! 🚀
منبع: arXiv Machine Learning