[論文レビュー] Comparison between ARIMA and Deep Learning Models for Temperature Forecasting

Eranga De Saa, L. Ranathunga|arXiv (Cornell University)|Nov 9, 2020

Hydrological Forecasting Using AI被引用数 10

ひとこと要約

本研究では、ハンガリー・シュコーディンで1時間ごとの気温予測を行うために、ARIMAと1次元畳み込み層およびLSTM層を組み合わせた深層学習モデルを比較した。深層学習モデルはARIMAを上回り、気象データにおける複雑な時間的パターンを捉える能力に優れていた。

ABSTRACT

Weather forecasting benefits us in various ways from farmers in cultivation and harvesting their crops to airlines to schedule their flights. Weather forecasting is a challenging task due to the chaotic nature of the atmosphere. Therefore lot of research attention has drawn to obtain the benefits and to overcome the challenges of weather forecasting. This paper compares ARIMA (Auto Regressive Integrated Moving Average) model and deep learning models to forecast temperature. The deep learning model consists of one dimensional convolutional layers to extract spatial features and LSTM layers to extract temporal features. Both of these models are applied to hourly temperature data set from Szeged, Hungry. According to the experimental results deep learning model was able to perform better than the traditional ARIMA methodology.

研究の動機と目的

• 従来のARIMAモデルと現代的な深層学習手法の気温予測における性能を評価すること。
• データ駆動型モデルを用いて、気象予測における混沌とした大気の力学的ダイナミクスの課題に取り組むこと。
• 深層学習が、1時間ごとの気温時系列データにおける非線形的および時間的依存関係をより良く捉えられるかどうかを評価すること。
• シュコーディン（ハンガリー）の実世界の1時間ごとの気温データを用いた比較分析を提供すること。
• 気象予測における古典的統計モデルと比較して、深層学習が実用的にどのような利点を提供するかを特定すること。

提案手法

• 時系列予測のため、1時間ごとの気温データにARIMA (p,d,q) モデルを適用した。
• 順序データからの空間的パターンに類似した特徴を抽出する1次元畳み込み層と、長期的な時間的依存関係をモデル化するLSTM層を組み合わせた深層学習アーキテクチャを設計した。
• ハンガリー・シュコーディンの同じ1時間ごとの気温データセットを用いて、深層学習モデルを訓練した。
• RMSEやMAEなどの標準的な評価指標を用いて、ARIMAと深層学習モデルの予測精度を比較した。
• 両モデルに同一のデータ分割と前処理手順を適用することで、公平な比較を確保した。
• 交差検証とグリッドサーチの手法を用いて、両モデルのハイパーパrameterを最適化した。

実験結果

リサーチクエスチョン

• RQ1 1次元CNNとLSTM層を備えた深層学習モデルは、ARIMAを上回って1時間ごとの気温を予測できるか？
• RQ2 同じ気温データセットにおいて、ARIMAと深層学習モデルのRMSEおよびMAEはどのように比較されるか？
• RQ3 深層学習モデルは、ARIMAと比較して、気温データにおける非線形的および長期的な時間的パターンをどの程度うまく捉えられるか？
• RQ4 畳み込み層の導入により、順序付き気温予測における特徴抽出が向上するか？
• RQ5 古典的統計モデルと比較して、深層学習モデルは大気時系列の混沌たる性質に対してより頑健であるか？

主な発見

• 深層学習モデルは、シュコーディンの1時間ごとの気温データセットにおいて、ARIMAモデルよりも顕著に低いRMSEおよびMAEを達成した。
• 深層学習モデルは、気温データにおける複雑で非線形的な時間的パターンを捉える能力に優れていた。
• 1次元畳み込み層の統合により、順序付き入力からの特徴抽出が向上し、モデルの性能が向上した。
• LSTM層は、気温時系列における長期的依存関係を効果的にモデル化し、より高い予測精度に貢献した。
• 深層学習アプローチは、すべての評価指標でARIMAを上回り、気温予測タスクにおける有効性を示した。
• 結果から、深層学習モデルは古典的ARIMAモデルと比較して、気象時系列に内在する複雑さと混沌たる性質に対処するのに適していると考えられる。