Temposeriodatenoj estas datentipo karakterizita per sekvenco de okazaĵoj, observaĵoj aŭ mezuradoj kolektitaj kaj ordigitaj kun dattempaj intervaloj, tipe reprezentante ŝanĝojn en variablo dum tempo, kaj estas apogitaj fare de Syntho.
Temposeriodatenoj estas pli malfacilaj sintezi ĉar ĝi devas kapti la tempajn dependecojn kaj padronojn enecaj en real-mondaj sinsekvaj observaĵoj. Male al sendependaj kaj idente distribuitaj datenoj, kie ĉiu observado estas senrilata al la aliaj, temposeriodatenoj elmontras dependecojn trans tempoŝtupoj. Multaj organizoj kaj la plej multaj malfermfontaj solvoj ne povas bone sintezi tempseriojn aŭ tute ne subtenas tempajn datumojn.
Nia Syntho Engine estas optimumigita por sintezi la plej kompleksajn tempajn datumojn precize. Ni optimumigis niajn modelojn kunlabore kun gvidaj organizoj laborantaj kun la plej kompleksaj tempa serio datumoj.
Syntho kunlaboris kun gvidaj organizoj, kiel ekzemple la Cedars Sinaj Medical Center. Ĉi tiuj organizoj laboras kun la plej kompleksaj temposeriodatenoj. Tio permesas al Syntho konstrui la plej bonan sekvencomodelon povante sintezi la plej kompleksan temposerion precize.
Kun nia Syntho Engine, vi povas precize sintezi datumojn enhavantajn temposerion. Nia aliro lerte kaptas korelaciojn kaj statistikajn ŝablonojn inter la entabelo kaj la rilata tabelo enhavanta longitudajn informojn. Tio inkludis eĉ kompleksajn temposeriostrukturojn, kiel ekzemple temposerio kun: