[논문 리뷰] Comparison between ARIMA and Deep Learning Models for Temperature Forecasting

Eranga De Saa, L. Ranathunga|arXiv (Cornell University)|2020. 11. 09.

Hydrological Forecasting Using AI인용 수 10

한 줄 요약

이 연구는 헝가리 셰드에서의 시간별 기온 예측을 위해 ARIMA와 1D 컨볼루션 및 LSTM 레이어를 조합한 딥러닝 모델을 비교한다. 딥러닝 모델이 ARIMA를 능가하여 기상 데이터의 복잡한 시간 패턴을 더 정확하게 포착함을 입증하였다.

ABSTRACT

Weather forecasting benefits us in various ways from farmers in cultivation and harvesting their crops to airlines to schedule their flights. Weather forecasting is a challenging task due to the chaotic nature of the atmosphere. Therefore lot of research attention has drawn to obtain the benefits and to overcome the challenges of weather forecasting. This paper compares ARIMA (Auto Regressive Integrated Moving Average) model and deep learning models to forecast temperature. The deep learning model consists of one dimensional convolutional layers to extract spatial features and LSTM layers to extract temporal features. Both of these models are applied to hourly temperature data set from Szeged, Hungry. According to the experimental results deep learning model was able to perform better than the traditional ARIMA methodology.

연구 동기 및 목표

• 기존의 ARIMA 모델과 현대적인 딥러닝 접근법 간의 기온 예측 성능을 평가하기 위해.
• 데이터 기반 모델을 사용하여 기상 예측에서의 혼돈적인 대기역학적 특성에 도전하기 위해.
• 딥러닝 모델이 시간별 기온 시계열에서 비선형성과 시간 의존성을 더 잘 포착할 수 있는지 평가하기 위해.
• 세드 헝가리의 실세계 시간별 기온 데이터를 사용한 비교 분석을 제공하기 위해.
• 기상 예측 분야에서 고전적 통계 모델 대비 딥러닝 모델의 실용적 이점을 규명하기 위해.

제안 방법

• 시간별 기온 데이터에 ARIMA (p,d,q) 모델을 적용하여 시계열 예측을 수행하였다.
• 순차적 데이터에서 공간 유사 패턴을 추출하기 위한 1D 컨볼루션 레이어와 장기적인 시간 의존성을 모델링하기 위한 LSTM 레이어를 조합한 딥러닝 아키텍처를 설계하였다.
• 세드 헝가리의 동일한 시간별 기온 데이터셋을 사용하여 딥러닝 모델을 훈련시켰다.
• 표준 평가 지표(예: RMSE, MAE)를 사용하여 ARIMA와 딥러닝 모델 간의 예측 정확도를 비교하였다.
• 모델 간 공정한 비교를 위해 두 모델 모두 동일한 데이터 분할 및 전처리 절차를 적용하였다.
• 교차 검증 및 격자 탐색 기법을 통해 두 모델의 하이퍼파라미터를 최적화하였다.

실험 결과

연구 질문

• RQ1 1D CNN와 LSTM 레이어를 갖춘 딥러닝 모델이 시간별 기온 예측에서 ARIMA를 능가할 수 있는가?
• RQ2 동일한 기온 데이터셋에서 ARIMA와 딥러닝 모델의 RMSE 및 MAE는 어떻게 비교되는가?
• RQ3 딥러닝 모델은 ARIMA에 비해 기온 데이터의 비선형성과 장기적인 시간 패턴을 어느 정도 더 잘 포착하는가?
• RQ4 컨볼루션 레이어의 포함이 순차적 기온 예측에서 특징 추출을 향상시키는가?
• RQ5 딥러닝 모델은 고전적 통계 모델에 비해 대기 시간계열의 혼란스러운 성격에 더 강건한가?

주요 결과

• 딥러닝 모델은 세드의 시간별 기온 데이터셋에서 ARIMA 모델보다 유의미하게 낮은 RMSE와 MAE를 기록하였다.
• 딥러닝 모델은 기온 데이터의 복잡한 비선형 시간 패턴을 포착하는 데 뛰어난 능력을 보였다.
• 1D 컨볼루션 레이어의 통합은 순차적 입력에서의 특징 추출을 향상시켜 모델 성능을 향상시켰다.
• LSTM 레이어는 기온 시계열의 장기 의존성을 효과적으로 모델링하여 더 높은 예측 정확도에 기여하였다.
• 딥러닝 접근법은 모든 평가 지표에서 ARIMA를 능가하여 기온 예측 작업에 효과적임을 입증하였다.
• 결과적으로 딥러닝 모델은 고전적 ARIMA 모델에 비해 기상 시계열의 내재된 복잡성과 혼란성에 더 적합하다는 것이 제안된다.