A comparative study of traditional and machine learning methods for forecasting time series data

Abstract

Η δυνατότητα πρόβλεψης μελλοντικών τάσεων με βάση τα ιστορικά δεδομένα αποτελεί κρίσιμο παράγοντα σε πολλούς τομείς όπως η οικονομία, τα χρηματοοικονομικά, η επιχειρησιακή διαχείριση και το μάρκετινγκ. Για δεκαετίες, τα παραδοσιακά στατιστικά μοντέλα, όπως το μοντέλο εκθετικής εξομάλυνσης ETS (σφάλμα–τάση–εποχικότητα) και το αυτοπαλινδρομικό μοντέλο κινητού μέσου όρου (ARIMA), υπήρξαν τα κυρίαρχα εργαλεία στην πρόβλεψη χρονοσειρών. Η ευρεία χρήση τους οφείλεται στην αξιοπιστία, την απλότητα και την ικανότητά τους να παρέχουν ακριβείς εκτιμήσεις για πληθώρα διαφορετικών τύπων δεδομένων. Ωστόσο, η ραγδαία αύξηση της διαθεσιμότητας και του όγκου των δεδομένων έχει οδηγήσει στην υιοθέτηση προηγμένων τεχνικών μηχανικής μάθησης, οι οποίες πλέον ανταγωνίζονται άμεσα τις παραδοσιακές μεθόδους. Τεχνικές όπως τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNNs) προσφέρουν μη γραμμική μοντελοποίηση, επιτρέποντάς τους να συλλάβουν πολύπλοκα πρότυπα και λεπτομέρειες που μπορεί να διαφύγουν από τα παραδοσιακά στατιστικά μοντέλα. Παρά την αυξανόμενη προσοχή και τις υποσχέσεις που παρουσιάζουν οι μέθοδοι μηχανικής μάθησης, εξακολουθεί να υπάρχει σημαντικό κενό σε άμεσες συγκρίσεις μεταξύ αυτών των τεχνικών και των παραδοσιακών στατιστικών προσεγγίσεων, ιδίως όσον αφορά την ακρίβεια πρόβλεψης και τις υπολογιστικές απαιτήσεις. Αν και η μηχανική μάθηση έχει μεγάλες δυνατότητες, δεν είναι πάντα προφανές εάν μπορεί να υπερτερεί σταθερά των παραδοσιακών μεθόδων, ειδικά σε πρακτικά σενάρια όπου τόσο η ακρίβεια όσο και η αποδοτικότητα είναι απαραίτητες. Με τη σύγκριση της απόδοσης πρόβλεψης παραδοσιακών στατιστικών μοντέλων με διάφορες τεχνικές μηχανικής μάθησης, ο στόχος είναι να διαπιστωθεί πότε και γιατί μία προσέγγιση μπορεί να είναι πιο αποτελεσματική από την άλλη. Η έμφαση δίνεται όχι μόνο στην ακρίβεια των προβλέψεων αλλά και στο υπολογιστικό κόστος αυτών των μεθόδων. Τελικά, θα παρουσιαστεί μία συγκριτική ανάλυση των δυνατών και αδύνατων σημείων τόσο των παραδοσιακών στατιστικών μεθόδων όσο και των τεχνικών μηχανικής μάθησης.

The ability to predict future trends based on past data is crucial across various fields, from economics and finance to operations and marketing. For decades, traditional statistical models such as exponential smoothing (ETS) and autoregressive integrated moving average (ARIMA) have been the go-to tools for time series forecasting. These methods have earned their place due to their reliability, simplicity and ability to produce accurate results for many types of data. However, the rapid growth of large-scale datasets has started the adoption of advanced Machine Learning (ML) techniques which are now competing traditional models. Methods like recurrent neural networks (RNNs) introduce non-linear modeling capabilities, enabling them to capture complex patterns and subtle details that might be missed by traditional statistical models. Despite the increasing attention and promise of ML methods, there remains a significant gap in direct comparisons between these techniques and traditional statistical approaches particularly in terms of forecasting accuracy and computational demands. While ML has great potential, it is not always evident whether it can consistently outperform traditional methods especially in practical scenarios where both accuracy and efficiency are essential. By comparing the forecasting performance of traditional statistical models with various ML techniques, the goal is to find when and why one approach might be more effective than the other. The focus is on evaluating not just the accuracy of the forecasts but also the computational cost of these methods. Ultimately, a comparative analysis of the strengths and limitations of both traditional statistical methods and ML techniques will be provided.