Time Series Prediction for IVIS Framework

Abstract

IVIS je existující open-source webový framework pro aplikace, které zpracovávají ča- sové řady. Podporuje vytváření uživatelsky konfigurovatelných vizualizací a uživatelských skriptů na zpracování dat v Pythonu. Jedna oblast pro kterou je momentálně v IVISu nedostatečná podpora je extrapolace naměřených hodnot do budoucnosti. V této práci přidáme do IVISu podporu pro predikci časových řad pomocí ARIMA mo- delů. Také implementujeme podporu pro vyhodnocování výkonnosti pomocí Elasticsearch agregací, které používáme pro odhadnutí střední kvadratické chyby a střední absolutní chyby predikcí modelu. Poté ilustrujeme použití této nové funkcionality na skutečném datasetu sestávajícím z měření teploty. Dále také diskutujeme omezení naší implemen- tace. 1

IVIS is an existing open-source web based framework for applications that need to handle time series data. It offers support for creation of customizable visualizations and custom user scripts written in Python. One area where it is currently lacking is built-in support for extrapolating the data into the future. In the thesis, we add support for time series prediction using ARIMA models. We also provide basic means of evaluating the performance of trained models by using Elas- ticsearch aggregations to estimate Root Mean Square Error and Mean Absolute Error. We then demonstrate usage of this added functionality on a real temperature dataset. Later on, we also discuss current limitations of our solution. 1