[論文レビュー] RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series

Qingsong Wen, Jingkun Gao+4 more|arXiv (Cornell University)|Dec 5, 2018

Time Series Analysis and Forecasting参考文献 4被引用数 24

ひとこと要約

RobustSTLは、最小絶対偏差とℓ₁正則化、非局所的季節フィルタリングを用いた新しい季節的・トレンド分解アルゴリズムを提案する。高ノイズ、季節性のシフト、急激な変化を伴う長期間の時系列データから、トレンドおよび季節成分をロバストに抽出することを目的としている。合成データおよび実世界のデータにおいて、STL、TBATS、STRを凌ぎ、異常値、トレンドシフト、長大な季節周期（例：T=1440）の処理において優れた精度と計算効率を達成している。

ABSTRACT

Decomposing complex time series into trend, seasonality, and remainder components is an important task to facilitate time series anomaly detection and forecasting. Although numerous methods have been proposed, there are still many time series characteristics exhibiting in real-world data which are not addressed properly, including 1) ability to handle seasonality fluctuation and shift, and abrupt change in trend and reminder; 2) robustness on data with anomalies; 3) applicability on time series with long seasonality period. In the paper, we propose a novel and generic time series decomposition algorithm to address these challenges. Specifically, we extract the trend component robustly by solving a regression problem using the least absolute deviations loss with sparse regularization. Based on the extracted trend, we apply the the non-local seasonal filtering to extract the seasonality component. This process is repeated until accurate decomposition is obtained. Experiments on different synthetic and real-world time series datasets demonstrate that our method outperforms existing solutions.

研究の動機と目的

• 長大な季節周期、季節性のシフト、トレンドおよび残差の急激な変化に対処できない既存の時系列分解手法の限界を解消すること。
• 特にIoTおよび監視応用分野における実世界の時系列データにおける異常値に対して高いロバスト性を向上させること。
• 高周波数で長周期の季節性を持つデータ（例：1分間隔データにおけるT=1440）においても、精度を維持できるスケーラブルで効率的な分解手法を開発すること。
• 複雑な現実世界の条件下で、意味のある成分（トレンド、季節性、残差）を分離することで、異常検知および予測のための正確な分解を可能にすること。

提案手法

• トレンド成分は、最小絶対偏差（LAD）損失とℓ₁ノルム正則化を用いた回帰問題により抽出され、ロバスト性とスパarsityを確保する。
• 季節成分は、時系列全体の類似した歴史的パターンを活用することで、柔軟でずれのある、時間的に変化する季節パターンを捉える非局所的季節フィルタリングにより推定される。
• アルゴリズムは、トレンド推定と季節フィルタリングを交互に繰り返し、収束するまで反復的にトレンドおよび季節成分を精緻化する。
• 凸最適化問題として定式化されており、ℓ₁正則化を組み込むことで、長期間の時系列に対しても効率的かつスケーラブルな計算が可能である。
• 加法的分解を想定したアプローチであり、乗法的形態への適応も可能である。
• 最適なパフォーマンスを得るため、交差検証を用いて近隣窓サイズ（K, H）や正則化係数（λ₁, λ₂）などのハイパーパrameterが調整されている。

実験結果

リサーチクエスチョン

• RQ1 高ノイズを伴う長期間時系列において、季節性のシフトや変動をロバストに処理できる分解手法は存在するか？
• RQ2 異常値の存在下でも、トレンドおよび残差成分の急激な変化を効果的に検出し、保持できるか？
• RQ3 非常に長い季節周期（例：T=1440）を持つ時系列に対して、性能劣化を伴わずにスケーリングできるか？
• RQ4 実世界および合成データにおいて、STL、TBATS、STRといった最先端のアルゴリズムと比較して、提案手法の精度と効率はどの程度優れているか？

主な発見

• 合成データではRobustSTLがMAE（平均絶対誤差）0.0750を達成し、STL（0.1915）、STR（0.3004）、TBATS（0.2770）を著しく上回った。
• 実世界データセット1（T=12）では、RobustSTLはトレンドシフトと季節性の変化を正確に捉えたが、標準的なSTLおよびSTRは異常値とレベルシフトの影響を強く受けた。
• 実世界データセット2（T=288）では、RobustSTLは滑らかで適応的な季節成分を効果的に抽出し、スパイク異常を残差に保持したのに対し、TBATSおよび標準STLは異常値の影響を強く受けた。
• 特に長期間時系列において、効率的な最適化定式化のおかげで、RobustSTLはTBATSおよびSTRよりも著しく高速な計算を実現した。
• 分数およびずれのある季節性に対しても効果的に対応でき、固定された季節的同期を必要とせず、変化するパターンに適応した。
• 合成データおよび実世界データの両方の実験において、複雑な現実世界の時系列において、ロバスト性、精度、スケーラビリティの面で、既存手法を一貫して上回った。