[論文レビュー] Visual Forecasting of Time Series with Image-to-Image Regression.

Naftali Cohen, Srijan Sood+3 more|arXiv (Cornell University)|Nov 18, 2020

Data Visualization and Analytics参考文献 24被引用数 4

ひとこと要約

本稿では、数値データを視覚的表現に変換し、畳み込み自己符号化器を用いて視覚的予測を生成することで、時系列の視覚的予測を提案する。この手法は、連続的回帰を離散的ピクセル空間予測に変換することで、数値ベースラインを上回る性能を示し、周期的データでは優れた結果を示すが、株価のような不規則なデータでは性能が低下する。

ABSTRACT

Time series forecasting is essential for agents to make decisions in many domains. Existing models rely on classical statistical methods to predict future values based on previously observed numerical information. Yet, practitioners often rely on visualizations such as charts and plots to reason about their predictions. Inspired by the end-users, we re-imagine the topic by creating a framework to produce visual forecasts, similar to the way humans intuitively do. In this work, we take a novel approach by leveraging advances in deep learning to extend the field of time series forecasting to a visual setting. We do this by transforming the numerical analysis problem into the computer vision domain. Using visualizations of time series data as input, we train a convolutional autoencoder to produce corresponding visual forecasts. We examine various synthetic and real datasets with diverse degrees of complexity. Our experiments show that visual forecasting is effective for cyclic data but somewhat less for irregular data such as stock price. Importantly, we find the proposed visual forecasting method to outperform numerical baselines. We attribute the success of the visual forecasting approach to the fact that we convert the continuous numerical regression problem into a discrete domain with quantization of the continuous target signal into pixel space.

研究の動機と目的

• 人間の直感的視覚的推論と従来の時系列解析における数値的予測のギャップを埋めるため。
• 時系列の視覚的表現が、深層学習を用いて予測性能を向上させられるかを調査するため。
• 連続的数値回帰を離散的ピクセル空間予測に変換することで、モデルの汎化性能と精度が向上するかを調査するため。
• 合成および実世界の時系列を含む多様なデータタイプにおいて、視覚的予測の有効性を評価するため。

提案手法

• 時系列データを視覚的表現（例：折れ線グラフ）に変換し、入力を画像として表現する。
• 畳み込み自己符号化器を用いて、入力の視覚的表現の潜在表現を学習し、予測された視覚的出力を再構築する。
• 連続的ターゲット信号を離散的ピクセル値に量子化することで、回帰問題をピクセル空間における分類に近いタスクに変換する。
• 予測された視覚的予測と真値の再構築損失を最小化するように、エンドツーエンドでモデルを訓練する。
• 複雑さや時間的パターンが異なる合成および実世界のデータセットに対して、モデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 画像間回帰による視覚的予測は、従来の数値的予測モデルを上回ることができるか？
• RQ2 周期的トレンドと不規則なトレンドの両方の時系列パターンにおいて、視覚的予測の性能はどのように変化するか？
• RQ3 ターゲット信号をピクセル空間に量子化することで、予測精度がどの程度向上するか？
• RQ4 予測における人間のような視覚的推論プロセスは、機械学習モデルにおいて測定可能な性能向上に繋がるか？

主な発見

• 視覚的予測アプローチは、複数のデータセットにおいて数値ベースラインを上回り、提案手法の有効性を示している。
• 視覚的パターンがより予測可能で一貫性のある周期的時系列データでは、モデルが優れた性能を発揮している。
• 株価シリーズのような不規則なデータでは性能が低下しており、高ノイズまたは周期的でないパターンの処理における限界が示されている。
• 連続的ターゲット信号をピクセル空間に量子化することは、離散的表現によるより良い汎化を可能にするため、本手法の成功の鍵要因である。