[論文レビュー] Improving forecasting with sub-seasonal time series patterns

Xixi Li, Fotios Petropoulos+1 more|arXiv (Cornell University)|Jan 4, 2021

Forecasting Techniques and Applications参考文献 45被引用数 1

ひとこと要約

本稿では、元の時系列を複数のサブ・シーズンリーな変種に分解し、古典的モデル（ETS/ARIMA）でそれぞれを予測した後、等重みで予測値を統合するという、シンプルでモデルに依存しない手法を提案する。この手法は、特に高周波数のデータにおいて顕著な精度向上を示し、M1、M3、M4および実世界の時間分解能の高い負荷データにおいて、強固な性能向上を実証している。

ABSTRACT

Time series forecasting plays an increasingly important role in modern business decisions. In today's data-rich environment, people often aim to choose the optimal forecasting model for their data. However, identifying the optimal model often requires professional knowledge and experience, making accurate forecasting a challenging task. To mitigate the importance of model selection, we propose a simple and reliable algorithm and successfully improve the forecasting performance. Specifically, we construct multiple time series with different sub-seasons from the original time series. These derived series highlight different sub-seasonal patterns of the original series, making it possible for the forecasting methods to capture diverse patterns and components of the data. Subsequently, we make forecasts for these multiple series separately with classical statistical models (ETS or ARIMA). Finally, the forecasts of these multiple series are combined with equal weights. We evaluate our approach on the widely-used forecasting competition datasets (M1, M3, and M4), in terms of both point forecasts and prediction intervals. We observe improvements in performance compared with the benchmarks. Our approach is particularly suitable and robust for the datasets with higher frequencies. To demonstrate the practical value of our proposition, we showcase the performance improvements from our approach on hourly load data.

研究の動機と目的

• 時系列予測における最適なモデル選択の課題に取り組むこと。これはしばしば専門知識と経験を要する。
• 1つの時系列内に存在する多様なサブ・シーズンリーなパターンを活用することで、モデル選択への依存を低減すること。
• 特に高周波数データにおいて、モデルの複雑さを増さずにも、予測精度と信頼性を向上させること。
• 時間分解能の高い電力負荷データを用いた実世界の応用を通じて、実用的価値を示すこと。
• 多様な予測シナリオに適用可能な、強固でシンプルかつ一般化可能な手法を提供すること。

提案手法

• 季節的サイクルをずらすことで、元の時系列から複数のサブ・シーズンリーな時系列を抽出し、異なる周期的パターンを強調する。
• 得られた各サブ・シーズンリーな時系列に対して、個別に古典的統計モデル（ETS や ARIMA）を適用して予測を行う。
• すべてのサブ・シーズンリーな時系列からの予測値を等重みで統合し、最終的な予測を生成する。
• 標準的な統計モデルと単純な分解に依存するため、モデルに依存しない手法を確保する。
• M1、M3、M4の複数のデータセットおよび実世界のデータに対して同一の予測フレームワークを適用し、一貫性と再現可能性を確保する。
• ポイント予測と予測区間の両方を用いてアプローチを検証し、既存のベンチマークと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 時系列を複数のサブ・シーズンリーなバージョンに分解することで、多様なデータセットにおいて予測精度が向上するか？
• RQ2 ポイント予測と予測区間の両面において、提案手法はベンチマークモデルと比較してどのように性能を発揮するか？
• RQ3 時間分解能の高い時系列、例えば時間単位の電力負荷データにおいて、本手法に特に利点があるか？
• RQ4 M1、M3、M4の予測コンペティションおよび異なるデータタイプにおいて、改善効果が一貫して得られるか？
• RQ5 サブ・シーズンリーな時系列からの等重みアンサンブル予測が、より複雑なモデル選択戦略を上回る性能を発揮できるか？

主な発見

• 提案手法は、M1、M3、M4の予測コンペティションデータセットにおいて、ベンチマークモデルよりも統計的に有意に高い予測精度を達成した。
• 特に、サブ・シーズンリーなパターンがより複雑で多様な時間分解能の高い時系列（例：時間単位の電力負荷データ）において、性能向上が顕著に現れた。
• ポイント予測と予測区間カバレッジの両方において一貫した改善が見られ、信頼性の向上を示している。
• サブ・シーズンリーな時系列からの等重みアンサンブル予測は、チューニングなしでも個別のモデル選択を上回る性能を発揮した。
• 多様なデータタイプと周波数においても、本手法は強固な性能を示し、実世界の予測シナリオにおける広範な適用可能性を示唆している。
• 高度なモデリングの専門知識を必要としないため、統計的知識が限定的な実務家にとっても利用可能である。