1140729 meeting

前言

本週實驗主要以結合 autoFRK 與 SSSDS4 模型為主。所有實驗皆使用完整版 autoFRK 進行預測，而非使用 MRTS 。

本週進行的實驗分為三個情境（設想）。

1. 所有已知地點經過 autoFRK 重新預測，使用當期的地點重新預測當期之值，直接將結果交由 SSSDS4 模型向後預測。

   此實驗用於確認，假設 autoFRK 可預測準確，則經 SSSDS4 預測未來後是否仍可維持高準確率？

   

2. 將未知地點每期先經由 autoFRK 補值，後再交由 SSSDS4 向後預測。

   此實驗用於與前一實驗比較，以確認未知地點捕值是否仍能有高準確率？

   

3. 將已知地點先經由 SSSDS4 向後預測，再交由 autoFRK 為未知地點每期補值。

   此實驗用於與前一實驗比較，用於確認 autoFRK 與 SSSDS4 的預測先後順序是否會影響實驗結果。且此實驗由於不會將過去缺失值補齊，故在預測速度應會快於前一實驗。

   

實驗 1

• autoFRK 預測值 (250 天)

  Method	Value
  MSE	2.208425763
  RMSE	2.208425763
  MSE%	0.007850246
  RMSE%	0.007850246
  MAE	1.058653390
  MAE%	0.003772132

• SSSDS4 預測值 (250 + 10 天)

  Method	Value
  MSPE (All)	25.643074
  MSPE (Future)	22.201488
  MAPE (All)	3.847528
  MAPE (Future)	3.777283
  MSPE% (All)	0.092841
  MSPE% (Future)	0.078886
  MAPE% (All)	0.013823
  MAPE% (Future)	0.013367

實驗 2

• autoFRK 預測值 (250 天，僅預測缺失地點)

  Method	Value
  MSPE	3.876077622
  RMSPE	1.968775666
  MSPE%	0.013798632
  RMSPE%	0.117467580
  MAPE	1.406543020
  MAPE%	0.005010491

• SSSDS4 預測值 (250 + 10 天)

  Method	ALL Locs & All Time	Known Locs & All Time	Unknown Locs & All Time	ALL Locs & Future	Known Locs & Future	Unknown Locs & Future	ALL Locs & Past	Known Locs & Past	Unknown Locs & Past
  MSPE	125.489044	124.578705	129.390610	124.660667	122.997314	131.789291	125.522163	124.641937	129.294662
  RMSPE	11.202189	11.161483	11.374999	11.165154	11.090415	11.479952	11.203668	11.164315	11.370781
  MAPE	8.593054	8.562331	8.724644	8.801373	8.733807	9.090941	8.584720	8.555482	8.709991
  MSPE%	0.446431	0.443675	0.458241	0.437042	0.431520	0.460707	0.446807	0.444162	0.458142
  RMSPE%	0.668155	0.666090	0.676935	0.661092	0.656902	0.678754	0.668436	0.666455	0.676862
  MAPE%	0.030651	0.030567	0.031012	0.030911	0.030694	0.031840	0.030640	0.030561	0.030979

實驗 3

(尚未開始)

結論

觀察 autoFRK 後發現，其補值作法先經由 KNN 選定附近 3 個坐標點，並取平均候補值。若需改進 SSSDS4 使其包含空間性，或許可解借鑑 KNN 方法，由鄰近點組成新資料框後再行訓練，最後再填回缺值；又或許由鄰近點組成新資料框後再行訓練，並使用類似隨機森林之方法，訓練多次後找出擬合最佳之模型，惟須注意單一 SSSDS4 模型訓練時間過久，若採用此方法則需改進現有模型，降低其訓練時間。

結語

運行環境

• 本機作業系統：Windows 11 24H2
  • 程式語言：Python 3.12.9
• 計算平臺：財團法人國家實驗研究院國家高速網路與計算中心臺灣 AI 雲
  • 作業系統：Ubuntu
  • Miniconda
  • GPU：NVIDIA Tesla V100 32GB GPU
  • CUDA 12.8 driver
  • 程式語言：Python 3.10.16 for Linux

延伸學習

• 我測試此項目的 Github 儲存庫 。

參考資料

• Juan Lopez Alcaraz 、 Nils Strodthoff（2022）。Diffusion-based time series imputation and forecasting with structured state space models。Transactions on Machine Learning Research。參考自 https://openreview.net/forum?id=hHiIbk7ApW

• SSSD（2022）。GitHub。參考自 https://github.com/AI4HealthUOL/SSSD

• SSSD_CP（2024）。GitHub。參考自 https://github.com/egpivo/SSSD_CP

• 近兩年小時值查詢（無日期）。環境部 - 空氣品質監測網。參考自 https://airtw.moenv.gov.tw/CHT/Query/InsValue.aspx