La previsione delle serie temporali è fondamentale per diverse attività manageriali e l’estrazione di caratteristiche come il trend e la stagionalità è cruciale per l’accuratezza dei modelli di previsione.
Lo studio dal titolo “Trend and seasonality features extraction with pre-trained CNN and recurrence plot”, realizzato da Fernanda Strozzi e Rossella Pozzi (Professore Associato e Ricercatore Senior della Scuola di Ingegneria Industriale) e pubblicato sull’International Journal of Production Research), contribuisce a facilitare l’estrazione delle caratteristiche delle serie temporali proponendo un metodo che applica tecniche di deep learning alle immagini delle serie temporali di dati aziendali.
La GoogLeNet, una rete neurale convoluzionale pre-addestrata che consente l’apprendimento per trasferimento e ha raggiunto alti tassi di riconoscimento in compiti di classificazione delle immagini, viene applicata alle immagini delle serie temporali ottenute con il Recurrence Plot, un metodo di imaging che raffigura la ricorrenza del sistema dello spazio degli stati utilizzando punti e linee colorate in immagini 2D. Questa applicazione delle tecniche di deep learning alle immagini di serie temporali aziendali fornisce risultati interessanti e offre l’opportunità di ulteriori sviluppi.
