[논문 리뷰] Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey

Omid Orang, Petrônio Cândido de Lima e Silva외 1명|arXiv (Cornell University)|2022. 01. 07.

Cognitive Science and Mapping인용 수 5

한 줄 요약

이 종합 검토는 퍼지 인지 지도(Fuzzy Cognitive Map, FCM) 기반 시계열 예측 모델에 대한 포괄적인 개요를 제공하며, 그 구조, 학습 방법론 및 최근 발전을 강조한다. 비정상성, 확장성, 진화 알고리즘의 느린 학습과 같은 핵심 과제를 밝히고, 빠른 학습 방법 및 多변량 예측을 포함한 향후 연구 방향을 제안한다.

ABSTRACT

Among various soft computing approaches for time series forecasting, Fuzzy Cognitive Maps (FCM) have shown remarkable results as a tool to model and analyze the dynamics of complex systems. FCM have similarities to recurrent neural networks and can be classified as a neuro-fuzzy method. In other words, FCMs are a mixture of fuzzy logic, neural network, and expert system aspects, which act as a powerful tool for simulating and studying the dynamic behavior of complex systems. The most interesting features are knowledge interpretability, dynamic characteristics and learning capability. The goal of this survey paper is mainly to present an overview on the most relevant and recent FCM-based time series forecasting models proposed in the literature. In addition, this article considers an introduction on the fundamentals of FCM model and learning methodologies. Also, this survey provides some ideas for future research to enhance the capabilities of FCM in order to cover some challenges in the real-world experiments such as handling non-stationary data and scalability issues. Moreover, equipping FCMs with fast learning algorithms is one of the major concerns in this area.

연구 동기 및 목표

• 최근 문헌에 등재된 FCM 기반 시계열 예측 모델에 대한 체계적 종합 검토를 제공하기 위해.
• 동적 시스템 모델링을 위한 퍼지 인지 지도(FCM)의 기본 구조 및 학습 메커니즘을 분석하기 위해.
• 비정상 데이터 처리 및 확장성 문제를 포함한 FCM 응용 분야의 핵심 과제를 규명하기 위해.
• 특히 빠른 학습 및 다변량 예측 분야에서 FCM 성능 향상을 위한 향후 연구 방향을 제안하기 위해.

제안 방법

• 자료 유형(단변량/다변량), 학습 전략, 모델 아키텍처 기반으로 FCM 기반 예측 모델을 조사하고 분류하기 위해.
• FCM 학습 방법을 헤비시안 기반, 집단 기반(예: 유전자 알고리즘(GA), 입자 군집 최적화(PSO)) 및 FCM와 인공신경망(ANN) 또는 메타휴리스틱을 융합한 하이브리드 접근 방식으로 분류하기 위해.
• 예측 성능 향상을 위해 EMD, EWT, 웨이블릿, 커널 매핑 등의 전처리 기법을 FCM 입력 표현에 통합하는 분석을 위해.
• 다양한 데이터셋과 예측 수준에서 RMSE 및 MAE와 같은 지표를 활용해 모델 성능을 평가하기 위해.
• 빠른 비진화적 학습을 위해 제약 조건이 있는 최소 제곱법, 리지 회귀, L-BFGS를 적용하기 위해.
• 정확도 및 해석 가능성 향상을 위해 HFCM, FCM-MP, DFCM, LSFCM 등의 하이브리드 모델을 조사하기 위해.

실험 결과

연구 질문

• RQ1 FCM 기반 시계열 예측 정확도 향상을 위해 가장 효과적인 학습 전략은 무엇인가요?
• RQ2 EMD, 웨이블릿, 커널 매핑과 같은 전처리 기법은 FCM 성능을 어떻게 향상시키나요?
• RQ3 현재 FCM 모델이 비정상적 및 다변량 시계열을 처리하는 데 겪는 한계는 무엇인가요?
• RQ4 최소 제곱법 또는 리지 회귀와 같은 빠른 학습 알고리즘이 FCM 프레임워크에 어떻게 통합될 수 있나요?
• RQ5 대규모 실생활 예측 응용 분야에서 FCM의 확장성에 있어 핵심 과제는 무엇인가요?

주요 결과

• FCM 기반 모델은 그 해석 가능성과 동적 피드백 구조 덕분에 비선형성과 불확실성을 포함한 시계열 모델링에서 뛰어난 성능을 보인다.
• FCM와 ANN, 진화 알고리즘 또는 통계적 방법을 융합한 하이브리드 모델(예: HFCM, FCM+ANN)은 기존 FCM보다 더 높은 정확도를 달성한다.
• GA 및 PSO와 같은 진화 알고리즘은 널리 사용되지만 계산 비용이 높아, 더 빠른 대안이 필요함을 시사한다.
• 최소 제곱법 및 리지 회귀 기반 학습 방법(예: LSFCM, SAE+HFCM)은 수렴 속도가 빠르며, 단변량 및 다변량 예측에 효과적이다.
• EMD 및 웨이블릿과 같은 전처리 기법은 복잡한 신호를 분해하여 비정상 환경에서의 예측 정확도 향상에 기여한다.
• 진전이 있었음에도 불구하고, 다단계 예측, 이질치 처리, 대규모 다변량 데이터셋에 대한 FCM의 확장성 문제 등 여전히 과제가 남아 있다.