محققان دانشگاه جورجیاتک یک مدل پیشرفته یادگیری ماشین به نام LPTM طراحی کرده‌اند که قادر است پیش‌بینی‌های دقیق را در حوزه‌های متنوعی از جمله مراقبت‌های بهداشتی، مدیریت انرژی، حمل‌ونقل و رشد کسب‌وکار‌ها انجام دهد. این مدل بنیادی واحد می‌تواند ماموریت‌های پیش‌بینی سری زمانی را در طیف وسیعی از کاربرد‌ها بر عهده بگیرد.
به گزارش تکنا، مدل LPTM نه تنها عملکردی برابر یا بهتر از مدل‌های اختصاصی موجود دارد، بلکه به چهل درصد داده‌های آموزشی کمتری نیاز دارد و زمان آموزش آن پنجاه درصد کمتر از استاندارد‌های رایج است. در برخی موارد این مدل حتی بدون نیاز به داده‌های آموزشی خاص قابل استفاده است. گروه محققان این مدل را بر روی مجموعه داده‌های متنوع از صنایع مختلف پیش‌آموزش داده‌اند.
یکی از نوآوری‌های کلیدی LPTM، ماژول تقسیم‌بندی تطبیقی است که می‌تواند تفاوت‌های زمانی در داده‌ها را مدیریت کند. این ماژول داده‌ها را به بخش‌های بهینه تقسیم می‌کند تا الگو‌های مفید را به بهترین شکل یاد بگیرد. محققان مدل را با داده‌های اپیدمی، اقتصاد کلان، مصرف انرژی، ترافیک، بازار‌های سهام و حرکات انسانی آموزش داده‌اند.
در ارزیابی‌های مقایسه‌ای با هفده مدل دیگر، LPTM در پنج مجموعه داده بهترین عملکرد را ثبت کرد. در یک آزمایش ویژه، این مدل تنها با داده‌های ورودی و بدون داده‌های آموزشی اختصاصی، در تمام معیار‌ها از رقبا پیشی گرفت. استاد آدیتیا پراکاش از جورجیاتک تأکید کرد که LPTM فرا‌تر از پیش‌بینی، قادر به انجام وظایفی مانند طبقه‌بندی داده‌های سری زمانی نیز است.
پیش‌نویس این تحقیق در سرور منتشر شده و نتایج در کنفرانس بین‌المللی ۲۰۲۴ در ونکوور ارائه خواهد شد. پراکاش و همکاران او همچنین یک کتابخانه متن‌باز از ماژول‌های سری زمانی را در گیت‌هاب منتشر کرده‌اند تا جامعه محققان بتواند از این پیشرفت بهره‌برداری کند.
