Naukowcy opracowali Unicorn - nowatorskie rozwiązanie do prognozowania złożonych danych szeregów czasowych, które radzi sobie z setkami lub tysiącami zmiennych jednocześnie. Zamiast próbować modelować każdą zmienną osobno, metoda szuka wspólnych wzorców korelacji między nimi, dzięki czemu efektywnie zmniejsza złożoność obliczeniową przy zachowaniu wysokiej dokładności predykcji.
Dotychczasowe modele do prognozowania wielowymiarowych szeregów czasowych napotykały na znaczące wyzwania skalowania - im więcej zmiennych do przewidywania (temperatury w różnych miejscach, ceny akcji poszczególnych spółek, obciążenie różnych sekcji sieci energetycznej), tym bardziej wzrastały wymagania obliczeniowe i malała efektywność. Unicorn zmienia to podejście, traktując korelacje między zmiennymi jako uniwersalne cechy, które można uczynić wspólnymi dla większej grupy prognoz. To sprawia, że model uczył się szybciej i generował bardziej wiarygodne przewidywania nawet w przypadku tak zwanego szumu lub brakujących danych.
Potencjalne zastosowania są szerokie - od optymalizacji sieci energetycznych i zarządzania popytem na energię po prognozowanie zmienności rynków finansowych czy monitorowanie zdrowia rozproszonych systemów IoT. Naukowcy twierdzą, że ich podejście może znacznie poprawić dokładność prognoz w branżach, gdzie jednoczesne przewidywanie wielu zmiennych jest kluczowe dla podejmowania decyzji biznesowych i operacyjnych. Unicorn stanowi krok naprzód w kierunku bardziej praktycznych i skalowalnych modeli sztucznej inteligencji dla rzeczywistych problemów biznesowych.