Plazo y energía cambian la elección de modelos de series temporales

Si una predicción llega demasiado tarde, la red no puede usarla para preparar un traspaso; además, las predicciones repetidas suman consumo de energía en el dispositivo. ¿Qué modelo de series temporales equilibra mejor el rendimiento de clasificación con estas restricciones de tiempo y energía?

Los autores presentan un protocolo que filtra los modelos de series temporales según su plazo y luego ordena por consumo de energía de todo el proceso a los que lo cumplen.

Los autores evaluaron ocho arquitecturas en una tarea simulada de predicción de traspasos en Santa Clara, con una partición de datos fija y resultados promediados entre cinco semillas de entrenamiento. Midieron todo el proceso de inferencia, incluida la preparación de la entrada, en una CPU de servidor bajo condiciones controladas.

LightGBM obtuvo el F1 más alto de los ocho modelos: 0,974 ± 0,002. El F1 es una medida del rendimiento de clasificación en una escala de 0 a 1.

Con mediciones en tandas y pausas de inactividad, LightGBM consumió 4.947 microjulios por inferencia, frente a 16.181 de CNN-1D, el modelo neuronal con mejor F1.

Esta comparación sugiere que, en este contexto, el modelo con mejor rendimiento de clasificación también consumió menos energía medida; el patrón de ejecución afectó al tamaño aparente de esa diferencia.

La evidencia procede de una única escena urbana simulada de Santa Clara, y el consumo de energía se estimó a partir del uso de CPU en un procesador de servidor, en lugar de medirse en hardware de teléfonos.

Por tanto, el estudio no establece que la clasificación relativa de los modelos ni el consumo energético absoluto sean iguales en otros entornos o en teléfonos.