Cotton Price Long-Term Time Series Forecasting : A look at Transformers Suitability

Resumen

Recent years have witnessed a surge of Transformer-based models for long-term time series forecasting (LTSF). These models boast impressive results in Natural Language Processing (NLP) and Computer Vision (CV), but their effectiveness in capturing the crucial temporal order inherent in time series data remains a question. This work investigates the suitability of Transformer-based models for long-term commodity price prediction, by replicating the work presented in "Are Transformers Effective for Time Series Forecasting?" by Zeng et al. (2022). We aim to evaluate their effectiveness compared to simpler baselines and analyze their limitations in capturing long-range dependencies. By delving deeper into these limitations, this research seeks to contribute to the development of more effective forecasting models for commodity price prediction.

Descripción

En los últimos años, se ha observado un aumento de modelos basados en Transformers para la predicción de series temporales a largo plazo (LTSF, por sus siglas en inglés). Estos modelos han demostrado resultados impresionantes en el Procesamiento de Lenguaje Natural (PNL) y la Visión por Computadora (CV), pero su eficacia para capturar el orden temporal crucial inherente a los datos de series temporales sigue siendo una incógnita. Este trabajo investiga la idoneidad de los modelos basados en Transformers para la predicción de precios de productos básicos a largo plazo, replicando el trabajo presentado en "¿Son efectivos los Transformers para la predicción de series temporales?" por Zeng et al. (2022). Nuestro objetivo es evaluar su efectividad en comparación con modelos base más simples y analizar sus limitaciones para capturar dependencias de largo alcance. Al profundizar en estas limitaciones, esta investigación busca contribuir al desarrollo de modelos de predicción más efectivos para la predicción de precios de productos básicos.

Citación