[論文レビュー] Time Series Analysis and Modeling to Forecast: a Survey

Fatoumata Dama, Christine Sinoquet|arXiv (Cornell University)|Mar 31, 2021

Stock Market Forecasting Methods参考文献 138被引用数 30

ひとこと要約

分解、定常性検定、線形/非線形モデル、深層学習を網羅する時系列予測の包括的調査で、実践的な実装ガイダンスを含む。

ABSTRACT

Time series modeling for predictive purpose has been an active research area of machine learning for many years. However, no sufficiently comprehensive and meanwhile substantive survey was offered so far. This survey strives to meet this need. A unified presentation has been adopted for entire parts of this compilation. A red thread guides the reader from time series preprocessing to forecasting. Time series decomposition is a major preprocessing task, to separate nonstationary effects (the deterministic components) from the remaining stochastic constituent, assumed to be stationary. The deterministic components are predictable and contribute to the prediction through estimations or extrapolation. Fitting the most appropriate model to the remaining stochastic component aims at capturing the relationship between past and future values, to allow prediction. We cover a sufficiently broad spectrum of models while nonetheless offering substantial methodological developments. We describe three major linear parametric models, together with two nonlinear extensions, and present five categories of nonlinear parametric models. Beyond conventional statistical models, we highlight six categories of deep neural networks appropriate for time series forecasting in nonlinear framework. Finally, we enlighten new avenues of research for time series modeling and forecasting. We also report software made publicly available for the models presented.

研究の動機と目的

• 前処理から予測まで、情報を備えた自己完結型の時系列予測の概要を提供する。
• 分解、定常性分析、モデリングを広範な方法論スペクトルの下に統合する。
• 実務者のために古典的統計的方法と現代の深層学習アプローチを橋渡しする。
• 利用可能なソフトウェア実装を強調し、今後の研究の方向性を特定する。

提案手法

• 時系列データの前処理から予測まで、一貫したフレームワークを提示する。
• 強定常性/弱定常性を含む定常性の概念と検定を概観する。
• 時系列の分解を決定論的成分と確率的成分に分解して説明する。
• 主要な3つの線形モデル、2つの非線形拡張、5つの非線形モデルカテゴリを詳述する。
• 非線形フレームワークにおける時系列予測の深層学習アプローチについて論じる。
• モデル評価に関するガイダンスを提供し、ソフトウェア実装を提示する。

実験結果

リサーチクエスチョン

• RQ1 時系列分析における主な前処理、分解、予測手順は何か？
• RQ2 予測に適した線形および非線形モデルは何か、定常性と非定常性はそれらにどう影響するか？
• RQ3 深層ニューラルネットワークは従来の手法と並んで時系列予測にどのように適合するか？
• RQ4 調査されたモデルと検定を実装するためのソフトウェア資源は何が利用可能か？
• RQ5 時系列予測における未解決の研究方向と今後の展望は何か？

主な発見

• 著者らの知る限り、時系列の予測に特化した最初の包括的な調査である。
• 本論文は分解フレームワークと線形/非線形モデルの統一的な提示を提供する。
• 定常性と線形性の関連を非専門家にも理解できるように説明し、理論と実践を橋渡しする。
• この調査は伝統的手法と予測の現代的な深層学習適用を網羅する。
• 公開されているRおよびPythonリソースを通じた実装ガイダンスを含み、今後の研究方向を概説する。