Time series forecasting incorporating exogenous information

The discussions on social media networks reflect the views of masses on different ongoing long term events. The demand for different people-oriented services observes upsurge during the period of such long term events. Accurate forecasting of such time series data has a vital role in many business domains. In this project, we propose two deep learning based architectures for time series forecasting which incorporate exogenous information available from social media in both textual and numerical modalities. Our experiments show that numerical attributes yields improved forecasting accuracy while textual information has a reverse effect on it. Our assumption on the negative result is that the collected exogenous data especially the textual information is insufficient in this problem context. Adding more related data from the same or multiple sources may improve the forecasting performance.

Le discussioni sulle piattaforme dei social media networks le opinioni delle masse su diversi eventi a lungo termine attualmente in corso. La richiesta di diversi servizi orientati alle persone assiste a un aumento durante il periodo di tali eventi a lungo termine. La previsione accurata di tali serie temporali ha un ruolo vitale in molti settori aziendali. In questo progetto, proponiamo due architetture basate sull'apprendimento profondo per la previsione di serie temporali che incorporano informazioni disponibili sui social media in modalità testuale e numerica. I nostri esperimenti dimostrano che gli attributi numerici producono una migliore accuratezza delle predizioni mentre le informazioni testuali hanno un effetto contrario su di esse. La nostra ipotesi sul risultato negativo è che i dati esogeni raccolti, in particolare le informazioni testuali, sono insufficienti in questo contesto. L'aggiunta di più dati correlati dalla stessa o più fonti può migliorare le prestazioni nelle previsioni.