[論文レビュー] A Functional Wavelet-Kernel Approach for Continuous-time Prediction

Anestis Antoniadis, Efstathios Paparoditis+1 more|arXiv (Cornell University)|May 10, 2005

Image and Signal Denoising Methods参考文献 34被引用数 6

ひとこと要約

本稿では、観測されたセグメントを曲線としてモデル化し、ウェーブレットに基づく類似性測度を用いて非パラメトリック回帰フレームワーク内での過去の軌道に重みを付けることで、確率過程の連続時間予測のための関数的ウェーブレットカーネル手法を提案する。この手法は再標本化手順を用いて漸近的に有効な個別予測区間を達成し、厳密な ARH(1) の仮定を必要とせず、不規則なサンプルパスや非定常構造に対しても頑健である。

ABSTRACT

We consider the prediction problem of a continuous-time stochastic process on an entire time-interval in terms of its recent past. The approach we adopt is based on functional kernel nonparametric regression estimation techniques where observations are segments of the observed process considered as curves. These curves are assumed to lie within a space of possibly inhomogeneous functions, and the discretized times series dataset consists of a relatively small, compared to the number of segments, number of measurements made at regular times. We thus consider only the case where an asymptotically non-increasing number of measurements is available for each portion of the times series. We estimate conditional expectations using appropriate wavelet decompositions of the segmented sample paths. A notion of similarity, based on wavelet decompositions, is used in order to calibrate the prediction. Asymptotic properties when the number of segments grows to infinity are investigated under mild conditions, and a nonparametric resampling procedure is used to generate, in a flexible way, valid asymptotic pointwise confidence intervals for the predicted trajectories. We illustrate the usefulness of the proposed functional wavelet-kernel methodology in finite sample situations by means of three real-life datasets that were collected from different arenas.

研究の動機と目的

• 将来的な区間における連続時間軌道全体を離散的な点ではなく、連続的に予測することの挑戦に応えること。
• ARH(1) や滑らかなサンプルパスといった強いパラメトリック仮定に依存しない非パラメトリック予測手法を開発すること。
• 不規則的または不均一な曲線の存在下でも予測精度を向上させるために、関数データに対するウェーブレットに基づく類似性測度を組み込むこと。
• 再標本化に基づく手続きを用いて、有効で漸近的に正しい個別予測区間を構築すること。
• 本手法の実用的有用性を、多様な分野にまたがる実世界のデータセットを用いて示すこと。

提案手法

• 固定区間内での時系列観測を関数的ブロックとして表現する：$ Z_i(t) = X(t + (i-1) au) $ により、関数データ解析が可能になる。
• 関数的ブロックにウェーブレット分解を適用し、曲線間の類似性を測るための基底としての係数を抽出する。
• カーネル回帰推定器を用い、過去のブロックの重みはそれらのウェーブレット係数ベクトル間の距離に依存する。
• 疑似ブロックを生成し、将来的な値の条件付き分布を推定する再標本化スキームを採用し、個別予測区間を可能にする。
• ブロック数が増加するに従い収縮するバンド幅パrameter $ h_n $ を用いて予測をキャリブレーションし、漸近的整合性を保証する。
• 弱混合条件（$\alpha$-混合）およびベソフ空間におけるウェーブレット近似に関する仮定の下で理論的妥当性を確立する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットに基づく類似性測度は、不規則的または滑らかでないサンプルパスを示す連続時間過程の関数的非パラメトリック予測を改善できるか？
• RQ2 パラメトリックモデル仮定に依存せずに、漸近的に有効な個別予測区間をどのように構築できるか？
• RQ3 弱依存性および不均一な関数空間下でのウェーブレットカーネル予測子の漸近的挙動はいかなるものか？
• RQ4 有限標本下で、滑らか化スプラインやSARIMAモデルといった既存手法と比較して、本手法はどのように性能を発揮するか？
• RQ5 再標本化手順は、将来的な軌道の条件付き分布をどれほど正確に近似できるか？

主な発見

• ブロック数 $ n \to \infty $ の下で、$ \alpha $-混合とベソフ空間に関する弱い仮定のもとで、条件付き期待値 $ \mathbb{E}[Z_{n+1}(t_i) \mid Z_n] $ の $ L^2 $-一致性が達成される。
• 再標本化に基づく予測区間は漸近的に有効であり、再標本化された残差の経験的分布は、予測誤差の真の条件付き分布に確率的に一様に収束する。
• 本手法は、多様な分野にまたがる3つの実データセットにおいて、有限標本でも優れた性能を示し、滑らか化スプラインおよびSARIMAに基づく予測を上回った。
• ウェーブレット係数を類似性測定に用いることで、曲線が不規則的であるか、局所的に非定常性を示しても、予測が頑健に保たれる。
• カーネル推定器の収束速度は、ベソフ空間における潜在過程の滑らかさに依存し、滑らかさが高いほど速くなる。
• 理論的結果により、予測誤差の条件付き分布が再標本化スキームによって一貫して推定されることを確認し、信頼性の高い区間推定が保証される。