[論文レビュー] sktime: A Unified Interface for Machine Learning with Time Series

Markus Löning, Anthony Bagnall+4 more|arXiv (Cornell University)|Sep 17, 2019

Time Series Analysis and Forecasting参考文献 49被引用数 176

ひとこと要約

sktimeは、時系列タスクを単一のAPIの下に統合するscikit-learn互換のPythonライブラリを導入し、予測、分類、その他のタスク間の低減をメタ推定器と時系列変換を通じて実現します。

ABSTRACT

We present sktime -- a new scikit-learn compatible Python library with a unified interface for machine learning with time series. Time series data gives rise to various distinct but closely related learning tasks, such as forecasting and time series classification, many of which can be solved by reducing them to related simpler tasks. We discuss the main rationale for creating a unified interface, including reduction, as well as the design of sktime's core API, supported by a clear overview of common time series tasks and reduction approaches.

研究の動機と目的

• 多様な時系列学習タスクを扱うための統一APIの創設を動機づける。
• 時系列のためのリダクション、組み合わせ、およびモジュール化された変換をサポートするscikit-learn互換のコアAPIを提供する。
• 単一のフレームワーク内で最先端の時系列分類、予測、ベンチマークツールを紹介する。

提案手法

• 時系列タスクとそれらの関係を、より単純なタスクへのリダクションを通じて説明する。
• 多変量、パネル、および時間不均一データを扱うためのデータモデルと、ネスト型でpandas互換のデータコンテナを提示する。
• 時系列のユースケースに適用するためのタスク特化の推定器と変換器を定義し、scikit-learnのインターフェースを拡張する。
• リダクション用のメタ推定器と多変量アンサンブルを導入し、柔軟なモデル構成を可能にする。
• 分類、予測、変換器、組成、およびベンチマークツールを含むAPIの概要を提供する。

実験結果

リサーチクエスチョン

• RQ1 時系列タスクをscikit-learnと互換性を保ったまま、単一のAPIに統合するにはどうすればよいか？
• RQ2 リダクションとメタ推定器は、より単純なコンポーネントを組み合わせることで、複雑な時系列タスクを柔軟に解決できるか？
• RQ3 多変量、パネル、時間不均一データを最も適切にサポートするデータ表現と変換フレームワークは何か？

主な発見

• sktimeは時系列タスクのためのscikit-learnを拡張した統一APIを提供し、複雑なタスクをより単純なタスクへリダクションすることを可能にする。
• It introduces a nested/pandas-based data container to support multivariate, panel, and time-heterogeneous data while reusing scikit-learn functionality.
• The library includes state-of-the-art time series classification methods, classical forecasting interfaces, transformers, and benchmarking tools.
• It features composition capabilities like pipelines, ensembles, and novel reduction meta-estimators for configurable modeling choices.
• sktime supports multivariate column-wise ensembling and column concatenation for time series data, enabling flexible model construction.