[논문 리뷰] A Functional Wavelet-Kernel Approach for Continuous-time Prediction

Anestis Antoniadis, Efstathios Paparoditis외 1명|arXiv (Cornell University)|2005. 05. 10.

Image and Signal Denoising Methods참고 문헌 34인용 수 6

한 줄 요약

이 논문은 관측된 구간을 곡선으로 모델링하고 파동수 기반 유사도 측정법을 사용하여 비모수적 회귀 프레임워크에서 과거 궤적을 가중치 부여하는 기능적 웨이브릿 커널 방법을 제안한다. 이 방법은 재표본화 절차를 통해 점근적으로 타당한 점별 예측 구간을 도출하여, 엄격한 ARH(1) 가정이 필요 없이 비정상적인 표본 경로와 비정상적인 구조에 대해 강건성을 확보한다.

ABSTRACT

We consider the prediction problem of a continuous-time stochastic process on an entire time-interval in terms of its recent past. The approach we adopt is based on functional kernel nonparametric regression estimation techniques where observations are segments of the observed process considered as curves. These curves are assumed to lie within a space of possibly inhomogeneous functions, and the discretized times series dataset consists of a relatively small, compared to the number of segments, number of measurements made at regular times. We thus consider only the case where an asymptotically non-increasing number of measurements is available for each portion of the times series. We estimate conditional expectations using appropriate wavelet decompositions of the segmented sample paths. A notion of similarity, based on wavelet decompositions, is used in order to calibrate the prediction. Asymptotic properties when the number of segments grows to infinity are investigated under mild conditions, and a nonparametric resampling procedure is used to generate, in a flexible way, valid asymptotic pointwise confidence intervals for the predicted trajectories. We illustrate the usefulness of the proposed functional wavelet-kernel methodology in finite sample situations by means of three real-life datasets that were collected from different arenas.

연구 동기 및 목표

• 미래의 연속 시간 간격 전체에 걸친 궤적을 이산적인 점이 아닌 전체 경로로 예측하는 데 도전하는 것.
• ARH(1)나 부드러운 표본 경로와 같은 강력한 파라미터 가정에 의존하지 않는 비모수적 예측 방법을 개발하는 것.
• 불규칙하거나 비균일한 곡선이 존재하는 상황에서 기능적 자료에 대한 웨이브릿 기반 유사도 측정법을 통합하여 예측 정확도를 향상시키는 것.
• 재표본화 기반 절차를 사용하여 타당하고 점근적으로 정확한 점별 예측 구간을 구성하는 것.
• 다양한 분야에서의 실제 데이터셋을 대상으로 본 방법의 실용적 유용성을 입증하는 것.

제안 방법

• 고정된 간격에서 관측된 시계열을 기능적 블록으로 표현한다. $ Z_i(t) = X(t + (i-1) au) $ 를 통해 기능적 데이터 분석이 가능하게 한다.
• 기능적 블록에 웨이브릿 분해를 적용하여 곡선 간의 유사도를 측정하는 데 사용할 계수를 추출한다.
• 과거 블록의 가중치가 그들의 웨이브릿 계수 벡터 간의 거리에 따라 결정되는 커널 회귀 추정기법을 사용한다.
• 가짜 블록을 생성하고 미래 값의 조건부 분포를 추정하기 위해 재표본화 체계를 활용하여 점별 예측 구간을 도출한다.
• 블록 수가 증가함에 따라 수축하는 대역폭 파rameter $ h_n $ 를 사용하여 예측을 校정함으로써 점근적 일致성을 확보한다.
• 약한 혼합 조건($\alpha$-혼합)과 베소프 공간에서의 웨이브릿 근사 가정 하에서 이론적 타당성을 확립한다.

실험 결과

연구 질문

• RQ1 웨이브릿 기반 유사도 측정법이 불규칙하거나 부드럽지 않은 표본 경로를 갖는 연속시간 과정의 기능적 비모수적 예측을 향상시킬 수 있는가?
• RQ2 파라미터 모델 가정에 의존하지 않고도 점근적으로 타당한 점별 예측 구간을 어떻게 구성할 수 있는가?
• RQ3 약한 의존성과 비균일한 함수 공간에서 웨이브릿 커널 예측기의 점근적 행동은 어떠한가?
• RQ4 유한 표본에서 본 방법은 스무딩 스퍼라인과 SARIMA 모델과 비교하여 어떻게 성능을 발휘하는가?
• RQ5 재표본화 절차가 미래 궤적의 조건부 분포를 얼마나 정확히 근사하는가?

주요 결과

• 블록 수 $ n \to \infty $ 일 때, 약한 $ \alpha $-혼합 조건과 베소프 공간 가정 하에서 조건부 기대값 $ \mathbb{E}[Z_{n+1}(t_i) \mid Z_n] $ 의 $ L^2 $-일致성이 확보된다.
• 재표본화 기반 예측 구간은 점근적으로 타당하며, 재표본화 잔차의 경험 분포가 예측 오차의 진짜 조건부 분포로 균일하게 확률적으로 수렴한다.
• 세 가지 다양한 분야의 실제 데이터셋에서 본 방법은 스무딩 스퍼라인 및 SARIMA 기반 예측보다 커버리지와 정확도 측면에서 뛰어난 유한 표본 성능을 보였다.
• 웨이브릿 계수를 유사도 측정에 사용함으로써 곡선이 불규칙하거나 局부적으로 비정상성을 보일 경우에도 강건한 예측이 가능하다.
• 커널 추정기의 수렴 속도는 베소프 공간에서의 기본 과정의 매끄러움에 따라 달라지며, 더 매끄러운 과정일수록 빠른 수렴 속도를 보인다.
• 이론적 결과는 재표본화 체계가 예측 오차의 조건부 분포를 일致적으로 추정함을 확인하여 신뢰구간 추정의 신뢰성을 보장한다.