[論文レビュー] Year ahead prediction of US landfalling hurricane numbers: the optimal combination of long and short baselines

Stephen Jewson, Christopher Casey+1 more|ArXiv.org|Dec 13, 2005

Tropical and Extratropical Cyclones Research参考文献 4被引用数 5

ひとこと要約

本稿では、米国における沿岸上陸ハリケーン数を1年先に予測するため、長期（1900–1994）および短期（1995–2005）平均の最適な組み合わせを提案する。平均二乗誤差（MSE）を最小化することで、最近の活発な活動期間に傾けるが、長期データも組み込む重み付きブレンドが、単独でのいずれのベースラインよりも誤差が小さい予測を生み出すことを示した。これは、データが限られ、信号対雑音比が低い状況では、バイアスのある予測子がバイアスのないものよりも優れる可能性があることを示している。

ABSTRACT

Annual levels of US landfalling hurricane activity averaged over the last 11 years (1995-2005) are higher than those averaged over the previous 95 years (1900-1994). How, then, should we best predict hurricane activity rates for next year? Based on the assumption that the higher rates will continue we use an optimal combination of averages over the long and short time-periods to produce a prediction that minimises MSE.

研究の動機と目的

• 1年先に米国沿岸上陸ハリケーン数を予測する統計的に最適な手法を開発すること。
• 長期および短期の歴史的平均を組み合わせることで、単独でのいずれのベースラインよりも予測誤差を低減できるかどうかを調査すること。
• データが乏しく、信号対雑音比が低い状況において、バイアスのある予測子（短期平均）がバイアスのないもの（長期平均）を上回るMSE性能を示すことを証明すること。
• 非定常状態下での統計的予測におけるバイアスと分散のトレードオフを説明すること。

提案手法

• 1900–1994および1995–2005の2つの期間にそれぞれ異なる平均を持つポアソン分布として、年間の米国沿岸上陸ハリケーン数をモデル化する。
• 2006年が1995–2005の分布と同じであると仮定し、短期ベースラインを予測に使用することを正当化する。
• 平均二乗誤差（MSE）を最小化するための2つのベースライン平均の最適な線形組み合わせを導出する。
• 長期（1900–1994）および短期（1995–2005）平均を重みパラメータαでブレンドし、MSEを最小化するようにαを決定する。
• 導出された最適な組み合わせを実際の歴史的データに適用し、2006年の予測を生成する。
• バイアス、分散、およびRMSE指標を用いて、最適な組み合わせの性能を個々の長期および短期予測と比較する。

実験結果

リサーチクエスチョン

• RQ1 長期および短期平均の統計的に最適な組み合わせは、米国沿岸上陸ハリケーン数の1年先予測を改善できるか？
• RQ2 バイアスのある予測（最近の活発な活動年を基にしたもの）が、バイアスのない予測（全歴史的記録に基づくもの）を上回る条件は何か？
• RQ3 データが限られた状況では、バイアスと分散のトレードオフは、ハリケーン数予測の正確性にどのように影響するか？
• RQ4 平均二乗誤差を最小化するための長期および短期ベースライン間の最適な重み付けは何か？

主な発見

• 最適な組み合わせ予測は、テストされたすべての手法の中で最小のルート平均二乗誤差（RMSE）を達成し、長期および短期平均単独の予測を上回った。
• 短期予測（1995–2005）はバイアスが最小（ゼロ）であったが、データが限られているため誤差の標準偏差が最も高かった。
• 長期予測（1900–1994）はバイアスが最大であったが、データ量が多いので誤差の標準偏差が最小であった。
• 最適な組み合わせは、個々の予測と比較してバイアスと分散の両方を低減し、結果としてどちらの成分よりも低い全体のRMSEを達成した。
• 本研究では、信号対雑音比が低く、データが限られた状況では、バイアスのある予測子がバイアスのないものよりも優れた全体的性能を示す可能性があることを確認した。
• 最適な重みパラメータαはデータから推定されたが、その不確実性が予測精度の実現された改善を減少させる可能性がある。