[논문 리뷰] The time series forecasting: from the aspect of network

S. Chen, Xin Lan외 3명|arXiv (Cornell University)|2014. 03. 07.

Time Series Analysis and Forecasting참고 문헌 1인용 수 6

한 줄 요약

이 논문은 시간 시리즈를 가시성 그래프 네트워크로 변환하고 링크 예측을 사용하여 향후 값을 추정하는 새로운 시간 시리즈 예측 방법을 제안한다. 예측할 노드에 가장 가능성이 높은 노드를 식별하고 네트워크를 다시 시간 시리즈로 변환함으로써, 특히 소규모 데이터셋에서 ARIMA보다 뛰어난 성능을 달성한다. TAIEX 주가 지수 예측에서 RMSE가 낮아 이를 입증한다.

ABSTRACT

Forecasting can estimate the statement of events according to the historical data and it is considerably important in many disciplines. At present, time series models have been utilized to solve forecasting problems in various domains. In general, researchers use curve fitting and parameter estimation methods (moment estimation, maximum likelihood estimation and least square method) to forecast. In this paper, a new sight is given to the forecasting and a completely different method is proposed to forecast time series. Inspired by the visibility graph and link prediction, this letter converts time series into network and then finds the nodes which are mostly likelihood to link with the predicted node. Finally, the predicted value will be obtained according to the state of the link. The TAIEX data set is used in the case study to illustrate that the proposed method is effectiveness. Compared with ARIMA model, the proposed shows a good forecasting performance when there is a small amount of data.

연구 동기 및 목표

• 제한된 역사적 데이터를 바탕으로 정확한 시간 시리즈 예측을 해결하고자 한다.
• 시간 시리즈를 복잡한 네트워크로 모델링함으로써 새로운 예측 패러다임을 탐색하고자 한다.
• 네트워크 구조와 링크 예측 알고리즘을 활용하여 예측 정확도를 향상시키고자 한다.
• 기존의 전통적 모델(예: ARIMA)과 비교하여 제안된 방법의 효과성을 입증하고자 한다.

제안 방법

• 각 데이터 포인트를 노드로 표현하고 가시성 기준에 따라 노드를 연결함으로써 시간 시리즈를 가시성 그래프로 변환한다.
• 네트워크에서 향후(예측할) 노드에 가장 가능성이 높은 노드가 연결될지를 식별하기 위해 링크 예측 기법을 적용한다.
• 네트워크의 유사성 및 연결 패턴을 활용하여 예측 노드의 값을 추정한다.
• 예측 연결의 오른쪽에 있는 마지막으로 가시성이 확보된 데이터 포인트를 식별함으로써 네트워크 구조에서 시간 시리즈를 재구성한다.
• 가장 가능성이 높은 연결 노드의 수직 막대 높이를 기반으로 예측 값을 계산하며, 예측으로서 낮은 값을 우선시한다.
• 실시간 예측을 시뮬레이션하기 위해 실제 값들을 추가하고 가장 오래된 데이터를 제거함으로써 훈련 세트를 반복적으로 업데이트한다.

실험 결과

연구 질문

• RQ1 시간 시리즈 예측이 복잡한 네트워크 이론의 관점에서 효과적으로 재구성될 수 있는가?
• RQ2 네트워크 기반 링크 예측은 전통적인 통계 모델에 비해 예측 정확도를 어떻게 향상시키는가?
• RQ3 제한된 훈련 데이터 상황에서 제안된 방법이 ARIMA를 능가하는가?
• RQ4 네트워크 구조가 향후 시간 시리즈 값 예측에 어떤 영향을 미치는가?

주요 결과

• 모든 훈련 세트 크기에서 제안된 방법은 ARIMA보다 낮은 제곱근 평균 제곱 오차(RMSE)를 기록했으며, 가장 작은 데이터셋(21건)에서는 RMSE 116.00으로 ARIMA의 158.06보다 우수했다.
• 중간 크기의 데이터셋(64건)에서는 제안된 방법의 RMSE가 78.29로 ARIMA의 103.78보다 낮아지며 일관된 개선을 보였다.
• 가장 큰 데이터셋(107건)에서도 제안된 방법은 ARIMA를 능가했으며, RMSE는 각각 78.15와 82.91을 기록했다.
• 소규모 데이터셋에서 제안된 방법과 ARIMA 사이의 성능 격차가 가장 두드러져, 데이터 부족 상황에서의 우수한 일반화 능력을 시사한다.
• 이 방법은 파rametric 가정에 의존하지 않고 네트워크 구조와 링크 예측을 효과적으로 활용하여 미래 값을 추론한다.
• TAIEX 데이터에 대한 사례 연구를 통해 방법의 효과성과 다양한 데이터 양에서의 강건성을 확인했다.