[論文レビュー] On projection methods for functional time series forecasting

Antonio Elías, Raúl Jiménez+1 more|arXiv (Cornell University)|May 10, 2021

Forecasting Techniques and Applications参考文献 81被引用数 4

ひとこと要約

本稿では、k-最近傍法と曲線エナメル方式を用いて、将来の曲線を予測する2つのモデルフリーで非パラメトリックな関数時系列（FTS）予測手法を提案する。これらの手法は1ステップ先予測と動的更新を可能とし、電力需要やNOx排出量といった実世界のデータとシミュレーションにおいて、FPCFなどのベンチマークモデルを上回る性能を示す。特に非線形で複雑なダイナミクスの下でも優れた性能を発揮する。

ABSTRACT

Two nonparametric methods are presented for forecasting functional time series (FTS). The FTS we observe is a curve at a discrete-time point. We address both one-step-ahead forecasting and dynamic updating. Dynamic updating is a forward prediction of the unobserved segment of the most recent curve. Among the two proposed methods, the first one is a straightforward adaptation to FTS of the $k$-nearest neighbors methods for univariate time series forecasting. The second one is based on a selection of curves, termed \emph{the curve envelope}, that aims to be representative in shape and magnitude of the most recent functional observation, either a whole curve or the observed part of a partially observed curve. In a similar fashion to $k$-nearest neighbors and other projection methods successfully used for time series forecasting, we ``project'' the $k$-nearest neighbors and the curves in the envelope for forecasting. In doing so, we keep track of the next period evolution of the curves. The methods are applied to simulated data, daily electricity demand, and NOx emissions and provide competitive results with and often superior to several benchmark predictions. The approach offers a model-free alternative to statistical methods based on FTS modeling to study the cyclic or seasonal behavior of many FTS.

研究の動機と目的

• ARFIMA や FPC に基づくモデルのようなパrametric仮定に依存しない、関数時系列（FTS）におけるモデルフリーで非パラメトリックな予測手法の需要に対応すること。
• 非パラメトリックな投影技術を用いて、1ステップ先予測と部分的に観測された曲線の前方予測（動的更新）を統合したフレームワークを構築すること。
• 関数的深さと最近傍の原則を活用することで、FTSデータに内在する複雑で非線形的かつ周期的な挙動を捉える柔軟な代替手法を提供すること。
• シミュレーションおよび実世界のデータセット（電力需要、NOx排出量）を用いて、提案手法の妥当性と既存ベンチマークとの競争力を評価すること。

提案手法

• 関数的曲線間の距離尺度を定義することで、1変量時系列におけるk-最近傍法（k-NN）をFTSに適応させ、過去の曲線からk個の類似曲線を同定する。
• k-最近傍の将来の曲線セグメントを凸結合によって組み合わせることで、時系列における次の曲線を予測する。
• 曲線エナメル法を導入し、最新の観測曲線（またはその部分的セグメント）と形状および大きさの類似性に基づいて代表的な曲線の集合を選択し、投影用の局所的近傍を形成する。
• 関数的深さの測度を用いて曲線エナメルの選択をガイドすることで、選択された曲線が最新の関数的観測値の位置と形状の点で代表的であることを保証する。
• 部分的に観測された曲線の未観測部分をk-NN法またはエナメルベース手法を用いて投影することで、観測中におけるリアルタイム予測を可能にする動的更新を実装する。
• 交差検証やデータ駆動型選択によりハイパーパrameter（k、埋め込み次元E、エナメルサイズm）を最適化する。シミュレーションではnが小さい場合m=100、nが大きい場合m=500として設定する。

実験結果

リサーチクエスチョン

• RQ1 k-NNに基づく投影手法は、特に1ステップ先予測および動的更新タスクに対して、関数時系列予測に効果的に適応可能であるか？
• RQ2 複雑で非線形的、あるいは周期的なパターンを示すFTSの予測において、曲線エナメル法の性能はk-NNおよびベンチマークモデル（例：FPCF）と比較してどの程度優れているか？
• RQ3 多様なFTSデータ構造において、提案手法の非パラメトリックなアプローチが、FPCF や FAR モデルなどのパラメトリックアプローチに比べて平均二乗誤差（MSE）の観点でどの程度優れているか？
• RQ4 ランダムショックや周期的成分を含むFTSにおいて、ノイズの程度や構造的複雑さの変動に伴い、これらの手法の性能はどのように変化するか？
• RQ5 標準的なパラメトリックモデルでうまく表現できないデータ生成過程に対しても、モデルフリーなアプローチは高い正確性を維持できるか？

主な発見

• シミュレーションにおいて、曲線エナメル法（EPU 0.25）が最小の平均二乗誤差（MSE）を達成し、すべてのテスト状況でFPCFおよびEPFを顕著に上回った。
• (0.8, 0.0) のパラメータ設定では、EPFが競争力を持ち、将来の曲線が焦点となる曲線とイノベーションに強く依存するため、EPFの最近傍類似性依存性と整合的であった。
• (0.4, 0.4) の設定では、FPCFとEPFのMSE差は約0.1であり、相対的改善率は7％未満にとどまり、バランスの取れたダイナミクス下でのEPFの優れた性能を示した。
• (0.2, 0.0) の設定では、FTSがノイズに支配されていたため、関数的平均が最良の予測子であったが、提案手法も妥当な性能を示したが、平均に劣っていた。
• ランダムショックを伴う定常的FTSモデルにおいて、提案手法は低MSEを維持し、不規則なショックパターンや非ガウス型ノイズ構造に対しても頑健であることを示した。
• 実世界のデータセット（1日単位の電力需要、NOx排出量）においても、これらの手法は一貫してベンチマークモデルを上回る精度を示し、予測の正確性に優れた性能を発揮した。