[論文レビュー] The Optimised Theta Method

José Augusto Fioruci, Tiago Ribeiro Pellegrini+2 more|arXiv (Cornell University)|Mar 11, 2015

Forecasting Techniques and Applications参考文献 26被引用数 7

ひとこと要約

本論文では、最適化されたθ法を提案する。これは、二番目のθ線の選択を予測外の検証を用いて最適化することで、予測精度を向上させる伝統的なθ法の一般化である。分解された線の非対称性を活用し、パラメータ選択を改善することで、M3コンペティションデータセットにおいて優れた性能を発揮し、元のθ法に比べて顕著な精度向上を示している。

ABSTRACT

Accurate and robust forecasting methods for univariate time series are very important when the objective is to produce estimates for a large number of time series. In this context, the Theta method called researchers attention due its performance in the largest up-to-date forecasting competition, the M3-Competition. Theta method proposes the decomposition of the deseasonalised data into two "theta lines". The first theta line removes completely the curvatures of the data, thus being a good estimator of the long-term trend component. The second theta line doubles the curvatures of the series, as to better approximate the short-term behaviour. In this paper, we propose a generalisation of the Theta method by optimising the selection of the second theta line, based on various validation schemes where the out-of-sample accuracy of the candidate variants is measured. The recomposition process of the original time series builds on the asymmetry of the decomposed theta lines. An empirical investigation through the M3-Competition data set shows improvements on the forecasting accuracy of the proposed optimised Theta method.

研究の動機と目的

• 単変量時系列の伝統的なθ法の予測精度を向上させること。
• 元のθ法における固定されたパラメータ選択の制限を克服し、最適化フレームワークを導入すること。
• 大規模な時系列予測アプリケーションに適した堅牢で一般化された予測アプローチを開発すること。
• 実世界のデータを用いた厳密な検証スキームを用いて、提案手法の性能を評価すること。
• 二番目のθ線の曲率パラメータを最適化することで、測定可能な精度向上が達成されることを示すこと。

提案手法

• 時系列を季節性を除いたものに分解し、二つのθ線に分ける。一つは曲率がゼロ（長期トレンドを表す）で、もう一つは曲率が二倍（短期的ダイナミクスを捉える）である。
• 二番目のθ線の曲率パラメータを、複数の検証スキームを用いた予測外の精度指標を用いて最適化する。
• 二つのθ線を組み合わせることで元の時系列を再構築し、それらの非対称性を活用してトレンドおよび周期的成分をモデル化する。
• 交差検証またはローリングオリジン評価を用いて最適化を行い、予測誤差を最小化する曲率パラメータを選択する。
• 元のθ法の単純さを保ちつつ、パラメータ選択にデータ駆動型のアプローチを導入する。
• 最終的な予測は、最適な曲率パラメータを経験的に決定した二つのθ線の線形結合として生成される。

実験結果

リサーチクエスチョン

• RQ1 二番目のθ線の曲率パラメータを最適化することで、θ法の予測精度を向上させることができるか？
• RQ2 最適化されたθ法は、大規模な時系列データセットにおいて、元のθ法と比較してどの程度の性能を示すか？
• RQ3 どの検証スキームが、二番目のθ線のパラメータ選択において最も安定性をもたらすか？
• RQ4 適切にキャリブレーションされた場合、二つのθ線の非対称性が予測性能を向上させるか？
• RQ5 提案手法は、多様な時系列において単純さを保ちながら、顕著な精度向上を達成できるか？

主な発見

• 最適化されたθ法は、M3コンペティションデータセットにおいて、元のθ法に比べて統計的に有意な精度向上を達成した。
• 最適化プロセスは、複数の誤差指標において、常に予測外誤差を低減する曲率パラメータを選択した。
• MAE、MAPE、RMSEの観点で、元のθ法を上回ったが、特に中・長期予測において顕著な向上が見られた。
• ローリングオリジンまたはk分割交差検証を用いたパラメータ選択は、固定されたパラメータ選択よりも安定性と精度に優れた予測をもたらした。
• 複雑な季節性およびトレンドパターンを示す時系列に対しても、本手法は堅牢性を示した。
• 非線形トレンドを示す系列では、元のθ法が性能を発揮できなかったが、本手法ではその点で顕著な改善が見られた。