SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems

Tijdreeksanalyse is de wetenschap van het begrijpelijke maken van gegevens die zich in de loop van de tijd ontvouwen. Of het nu gaat om het bijhouden van de dagelijkse temperatuur, de fluctuerende prijs van een aandeel of het ritme van hartslagen, dit vakgebied streeft ernaar patronen uit het verleden te vinden om te voorspellen wat er volgt. De kernuitdaging ligt in het feit dat de tijd in een specifieke volgorde verloopt; een meting van vandaag is vaak nauw verbonden met wat gisteren is gebeurd, en de relatie tussen deze punten kan complex, verschuivend en soms ruizig zijn. Om de toekomst te voorspellen, moeten onderzoekers eerst de "vorm" van het verleden begrijpen. Ze zoeken naar segmenten uit de geschiedenis die lijken op het huidige moment, in de hoop dat als het verleden er vóór een specifieke gebeurtenis op een bepaalde manier uitzag, de toekomst een vergelijkbaar pad zal volgen. Het vinden van deze overeenkomstige patronen is echter moeilijk omdat real-world data zelden stilstaat; het versnelt, vertraagt of verandert van schaal, waardoor eenvoudige vergelijkingen vaak misleidend zijn.

In een recente studie introduceerden onderzoekers een nieuwe tool die ontworpen is om deze complexiteiten met meer helderheid en nauwkeurigheid te navigeren. Deze tool, genaamd SPINEX, is gebouwd op het idee dat de beste manier om de toekomst te voorspellen is door de meest vergelijkbare momenten uit het verleden te vinden en daarvan te leren. In tegen tegenstelling tot veel moderne voorspellingssystemen die fungeren als "black boxes" — waarbij een computer een getal uitspuugt zonder uit te leggen hoe het daar kwam — is SPINEX ontworpen om transparant te zijn. Het raadt niet alleen; het laat zien hoe het tot een resultaat komt. Het algoritme scant door historische gegevens, breekt deze op in segmenten en vergelijkt ze met het huidige moment met behulp van verschillende methoden om gelijkenis te meten. Het kijkt naar de richting waarin de gegevens bewegen, de algemene vorm van de curve en hoe nauw de punten op elkaar aansluiten, zelfs als de timing iets afwijkt. Door deze verschillende perspectieven te combineren, bouwt het een robuust beeld op van wat er aan de hand is. Als de gegevens te chaotisch zijn om een duidelijke match te vinden, heeft het systeem een back-upplan dat vertrouwt op traditionele statistische methoden om ervoor te zorgen dat er altijd een voorspelling wordt gedaan.

De onderzoekers testten deze nieuwe aanpak tegen achttien andere voorspellingsmethoden, variërend van klassieke statistische modellen tot moderne machine learning-algoritmen. Ze voerden deze tests uit op vierentwintig verschillende datasets, een mix van vijfentwintig zorgvuldig geconstrueerde synthetische scenario's en vierentwintig real-world records. Deze datasets waren ontworpen om een breed scala aan condities na te bootsen, waaronder gestage groei, plotselinge pieken, herhalende seizoenscycli en willekeurige ruis. Het doel was om te zien welke methode het meest accuraat de toekomst kon voorspellen en tegelijkertijd de rommeligheid van echte data kon verwerken. De resultaten lieten zien dat SPINEX consequent tot de top vijf methoden behoorde wat betreft precisie. Sterker nog, wanneer de resultaten werden gerangschikt op basis van hoe vaak het algoritme de beste uitkomst produceerde over alle verschillende tests heen, nam SPINEX de eerste plaats in. Het bleek bijzonder sterk in het voorspellen van de richting van verandering, waarbij het vaker de juiste richting (omhoog of omlaag) identificeerde dan de concurrenten.

Naast het louter nauwkeurig te zijn, benadrukte de studie hoe SPINEX omgaat met het "waarom" achter een voorspelling. Terwijl veel geavanceerde algoritmen moeilijk interpreteerbaar kunnen zijn, biedt SPINEX een duidelijke verklaring voor zijn keuzes. Het kan een gebruiker precies laten zien welke historische segmenten het meest vergelijkbaar werden gevonden met de huidige situatie en hoeveel invloed elk van die momenten uit het verleden had op de uiteindelijke voorspelling. Deze functie is cruciaal voor besluitvorming, omdat het gebruikers in staat stelt de voorspelling te vertrouwen door het bewijs te kunnen zien. De onderzoekers merkten ook op dat het systeem efficiënt is, in staat is om grote hoeveelheden gegevens te verwerken zonder traag te worden, en dat het zijn eigen instellingen aanpast op basis van hoe volatiel de gegevens zijn. Als de gegevens snel veranderen, past het systeem zich aan om naar kleinere, recentere stukken geschiedenis te kijken; als de gegevens stabiel zijn, kijdt het naar langere patronen.

De bevindingen suggereren dat de focus op gelijkenis en verklaarbaarheid een krachtig alternatief biedt voor de complexe, ondoorzichtige modellen die vandaag de dag vaak voor voorspellingen worden gebruikt. Door meerdere manieren te combineren om te meten hoe gelijk twee perioden in de tijd zijn, en door te zorgen dat het proces transparant blijft, biedt SPINEX een betrouwbare manier om temporele gegevens te begrijpen en te voorspellen. De studie demonstreert dat deze aanpak niet alleen concurrerend is met de meest geavanceerde tools die beschikbaar zijn, maar ook superieur is in haar vermogen om heldere, betrouwbare inzichten te bieden. Voor iedereen die trends moet voorspellen in velden variërend van financiën tot milieuwetenschappen, wijst dit werk naar een toekomst waarin voorspellingen niet alleen getallen gegenereerd door een machine zijn, maar begrijpelijke verhalen die uit de data zelf worden getrokken.