Software agent for self-adaptive time series prediction in autonomous network environments

Abstract

Aquest projecte dissenya i implementa un pipeline d'experimentació d'extrem a extrem per a la predicció autoadaptativa sobre sèries temporals de telemetria. L'objectiu és construir un sistema reproductible, interpretable i preparat per a la integració, que pugui ser avaluat sota condicions controlades. El nucli del sistema és un agent d'ensamblatge adaptatiu que combina diversos models de predicció lleugers. Les prediccions es generen seqüencialment en el temps amb un horitzó de predicció explícit, i la sortida final es calcula mitjançant una ponderació suau. Les puntuacions dels models s'actualitzen en línia mitjançant una regla d'actualització basada en l'error i el rànquing, amb validació step-ahead. L'agent s'integra en un flux complet d'experimentació que inclou la ingestió determinista de fitxers CSV, l'execució en streaming mitjançant Kafka, la persistència de les prediccions i de les metadades de decisió, l'exportació de resultats estructurats i un mecanisme de reset per garantir la reproductibilitat entre execucions. Senyals interns com les prediccions per model, els errors, els rànquings i l'evolució dels pesos s'exposen per donar suport a una anàlisi transparent del comportament adaptatiu. El sistema s'avalua utilitzant dades reals de telemetria d'operador sota tres escenaris: un baseline estable, un canvi abrupte de règim i soroll persistent. Els resultats mostren un comportament estable en condicions estacionàries, una resposta adaptativa davant canvis estructurals i una operació robusta sota feedback sorollós. En conjunt, el projecte ofereix una eina adaptativa de tipus plug-in per a l'estudi de mecanismes de predicció adaptativa en entorns impulsats per telemetria.

This project designs and implements an end-to-end experimentation pipeline for self-adaptive forecasting on telemetry time series. The goal is to build a reproducible, interpretable, and integration-ready system that can be evaluated under controlled conditions. The core of the system is an adaptive ensemble agent that combines several lightweight forecasting models. Predictions are generated sequentially in time with an explicit forecast horizon, and the final output is computed through soft weighting. Model scores are updated online using an error-driven, rank-based update rule with step-ahead validation. The agent is integrated into a complete experimentation workflow that includes deterministic CSV ingestion, streaming execution via Kafka, persistence of predictions and decision metadata, export of structured results, and a reset mechanism to ensure reproducibility between runs. Internal signals such as per-model predictions, errors, rankings, and weight evolution are exposed to support transparent analysis of the adaptive behaviour. The system is evaluated using real operator telemetry data under three scenarios: a stable baseline, an abrupt regime shift, and persistent noise. The results show stable behaviour in stationary conditions, adaptive response to structural changes, and robust operation under noisy feedback. Overall, the project delivers an adaptive "plug-in" tool for studying adaptive forecasting mechanisms in telemetry-driven environments.