[論文レビュー] Comprehensive Analysis of Time Series Forecasting Using Neural Networks.

Manie Tadayon, Yumi Iwashita|arXiv (Cornell University)|Jan 27, 2020

Time Series Analysis and Forecasting参考文献 21被引用数 4

ひとこと要約

本稿では、時系列予測のための動的および静的測定値を統合するハイブリッドニューラルネットワークアーキテクチャを提案する。クラスタリングを活用することで、予測の効率性と正確性が向上する。結果から、特徴ベースのクラスタリングは距離ベースのクラスタリングよりも速度と効果性に優れていることが示され、予測子を増やすことが常に予測性能を向上させるわけではない。

ABSTRACT

Time series forecasting has gained lots of attention recently; this is because many real-world phenomena can be modeled as time series. The massive volume of data and recent advancements in the processing power of the computers enable researchers to develop more sophisticated machine learning algorithms such as neural networks to forecast the time series data. In this paper, we propose various neural network architectures to forecast the time series data using the dynamic measurements; moreover, we introduce various architectures on how to combine static and dynamic measurements for forecasting. We also investigate the importance of performing techniques such as anomaly detection and clustering on forecasting accuracy. Our results indicate that clustering can improve the overall prediction time as well as improve the forecasting performance of the neural network. Furthermore, we show that feature-based clustering can outperform the distance-based clustering in terms of speed and efficiency. Finally, our results indicate that adding more predictors to forecast the target variable will not necessarily improve the forecasting accuracy.

研究の動機と目的

• 動的および静的測定値を効果的に統合するニューラルネットワークアーキテクチャの開発を目的とする。
• 異常検出およびクラスタリング手法が予測精度に与える影響を評価すること。
• 効率性および性能の観点から、特徴ベースと距離ベースのクラスタリング手法を比較すること。
• 予測子の数を増やすことで、予測結果が一貫して向上するかを調査すること。

提案手法

• 動的および静的時系列測定値の両方を処理できるように設計された、複数のニューラルネットワークアーキテクチャを提案する。
• クラスタリング手法（特に特徴ベースおよび距離ベースのクラスタリング）を予測パイプラインに統合し、類似した時系列をグループ化する。
• 予測の前処理として異常検出を適用し、モデルのロバスト性を向上させる。
• 静的特徴を埋め込み、動的シーケンスと統合するハイブリッドモデリングアプローチを採用する。
• 動的測定値（例：順序付きデータポイント）を再帰的または順序付きニューラルネットワークの入力として用い、時間的パターンの学習を実現する。
• 標準的な予測評価指標を用いてモデルのパフォーマンスを評価し、クラスタリングのバリエーションおよび予測子の数を比較する。

実験結果

リサーチクエスチョン

• RQ1 動的および静的測定値を統合するハイブリッドニューラルネットワークアーキテクチャは、時系列予測の正確性にどのように影響するか？
• RQ2 時系列データのクラスタリングは、予測性能および予測速度を向上させるか？
• RQ3 特徴ベースのクラスタリングは、距離ベースのクラスタリングよりも効率性および正確性において優れているか？
• RQ4 予測子の数を増やすことで予測結果が改善するか、それとも収益逓減の傾向が見られるか？

主な発見

• 特徴ベースのクラスタリングは、距離ベースのクラスタリングと比較して、予測速度と効率性が顕著に向上する。
• クラスタリングは予測精度と全体の予測時間の両方を向上させ、二重の利点を示している。
• ニューラルネットワークによる静的および動的測定値の統合により、よりロバストな予測モデルが得られる。
• 予測子を増やすことが、必ずしも予測精度を向上させるわけではない。複雑性の増加に伴い収益逓減の可能性が示唆される。
• 異常検出はモデルのロバスト性に寄与するが、結果ではその正確性への直接的影響は数量的に示されていない。
• 静的および動的入力を組み合わせたハイブリッドアーキテクチャは、動的入力のみを使用するモデルよりも優れたパフォーマンスを示す。