预测精度优化背景下的分形插值
机器学习
2025-05-27 v1
摘要
本文聚焦于利用分形插值技术优化时间序列预测的假设。一般而言，机器学习模型预测的准确性与所用数据的质量和定量方面密切相关，遵循\textit{垃圾进，垃圾出}的原则。为了在数量和质量上增强数据集，数据科学家最普遍关注的问题之一是生成合成数据，这些数据应尽可能紧密地遵循原始数据的实际模式。本研究提出了三种基于分形插值的数据增强策略，即\textit{最近 Hurst 策略}、\textit{最近值策略}和\textit{公式策略}。为了验证这些策略，我们使用了文献中的四个公共数据集，以及从罗马尼亚布拉索夫市气象记录中获得的私有数据集。使用所提出的插值策略的 LSTM 模型获得的预测结果显示，与原始数据集相比，准确性显著提高，从而为遥感和传感器灵敏度领域的实际问题提供了可能的答案。此外，我们的方法论利用\textit{Optuna}框架回答了分形插值步骤中一些与优化相关的开放性问题。
引用
@article{arxiv.2403.00403,
title = {Fractal interpolation in the context of prediction accuracy optimization},
author = {Alexandra Baicoianu and Cristina Gabriela Gavrilă and Cristina Maria Pacurar and Victor Dan Pacurar},
journal= {arXiv preprint arXiv:2403.00403},
year = {2025}
}