[論文レビュー] Structured low-rank matrix completion for forecasting in time series analysis

Jonathan Gillard, Konstantin Usevich|arXiv (Cornell University)|Feb 22, 2018

Statistical and numerical algorithms参考文献 33被引用数 28

ひとこと要約

本稿では、ハンケル行列と核ノルム緩和を用いた時系列予測のための構造的低ランク行列補完手法を提案する。重み付き核ノルム最適化—特に指数的重み付け—を導入し、増加する指数的または周期的成分を有する時系列の予測精度を向上させる。適切な重み付けスキームが、特に欠損データが少ない状況下で、従来手法に比べ顕著に性能向上を実現することを示している。

ABSTRACT

In this paper we consider the low-rank matrix completion problem with specific application to forecasting in time series analysis. Briefly, the low-rank matrix completion problem is the problem of imputing missing values of a matrix under a rank constraint. We consider a matrix completion problem for Hankel matrices and a convex relaxation based on the nuclear norm. Based on new theoretical results and a number of numerical and real examples, we investigate the cases when the proposed approach can work. Our results highlight the importance of choosing a proper weighting scheme for the known observations.

研究の動機と目的

• 特異スペクトル分析（SSA）などの伝統的予測手法の限界を克服し、より頑健な行列補完フレームワークを開発すること。
• 時系列予測に一般的な構造的欠損データパターンにおいて、核ノルム緩和が低ランクハンケル行列を正確に回復できる条件を調査すること。
• 減衰しないまたは指数的に増加する成分を有する時系列の予測性能を向上させるために、適応的重み付けスキームを導入すること。
• 予測精度と安定性を向上させるために、最適なハンケル行列ウィンドウ長および構造的パラメータを特定すること。

提案手法

• 時系列予測を、時間系列をハンケル行列構造に埋め込むことによる低ランクハンケル行列補完問題として定式化する。
• NP困難な低ランク行列補完問題を解くための凸緩和として、核ノルム最小化を適用する。
• 過去の観測値に異なる重みを割り当てる、新しい重み付き核ノルム定式化を導入し、特に指数的重み付けを用いて増加する指数的成分に対応する。
• 核ノルム緩和による正確な低ランク補完が保証される欠損値の数の理論的境界を導出する。
• 数値的実装を可能にするために、MATLABのCVXを用いて凸最適化問題を解く。
• 理論的証明においてQR分解とギブンズ回転を用い、証明行列のフロベニウスノルムの境界を確立することで、回復条件を保証する。

実験結果

リサーチクエスチョン

• RQ1 構造的欠損データパターンを有するハンケル行列に対して、核ノルム緩和が正確な低ランク補完を達成する条件は何か？
• RQ2 特に指数的重み付けを含む重み付けスキームの選択が、増加的または振動的成分を有する時系列の予測精度に与える影響は何か？
• RQ3 ハンケル行列の構築に最適なウィンドウ長は何か？ これは予測性能を最大化するためのものである。
• RQ4 理論的境界が、数値実験を通じてタイトにされ、妥当性が確認できるか？
• RQ5 提案手法の重み付き行列補完法は、実時系列および合成時系列において、古典的予測手法と比較してどのように差をつけるか？

主な発見

• 減衰しない、または指数的に増加する周期的成分を有する時系列では、欠損値の数が少ない場合に核ノルム緩和が正しい低ランク解を回復する。また、許容可能な欠損数の理論的境界が得られている。
• 核ノルム定式化における指数的重み付けは、増加する指数的成分から構成される時系列の予測精度を顕著に向上させ、未重み付け手法を上回る。
• 理論的分析により、提案手法が特定の条件（特に時系列が有限ランクである場合）のもとで正確な回復を保証することが示された。
• 数値実験により、重み付き定式化が標準的手法よりも優れた予測性能を達成することが確認された。特に、構造的欠損データと非定常成分を有する状況で顕著な優位性を示した。
• ハンケル行列の最適ウィンドウ長は、元の時系列構造に依存しており、実証的証拠から中程度のウィンドウ長がバイアスとばらつきの最良のトレードオフをもたらすと示された。
• 回復証明における証明行列のフロベニウスノルムは、射影演算子の差分によって有界であることが示され、特定のランクとデータパターン下で回復条件の妥当性が保証された。