[論文レビュー] Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey

Omid Orang, Petrônio Cândido de Lima e Silva+1 more|arXiv (Cornell University)|Jan 7, 2022

Cognitive Science and Mapping被引用数 5

ひとこと要約

本調査では、ファジィ認知マップ（FCM）に基づく時系列予測モデルの包括的な概要を提供し、その構造、学習手法、最近の進展を強調している。非定常性、スケーラビリティ、進化的アルゴリズムにおける学習の遅さといった主な課題を特定し、高速学習手法や多次元予測を含む今後の研究方向性を提案している。

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.

研究の動機と目的

• 文献における最近のFCMベースの時系列予測モデルについて、体系的なレビューを提供すること。
• 動的システムモデリングのためのファジィ認知マップ（FCM）の基本的構造と学習メカニズムを分析すること。
• 非定常データの取り扱いやスケーラビリティの問題を含む、FCM応用における主な課題を特定すること。
• 特に高速学習と多次元予測に焦点を当て、FCMの性能を向上させるための今後の研究方向性を提案すること。

提案手法

• データタイプ（単変量／多次元）、学習戦略、モデルアーキテクチャに基づいて、FCMベースの予測モデルを調査・分類すること。
• FCM学習手法をヘビアンベース、集団ベース（例：GA、PSO）、およびFCMとANNまたはメタヒューリスティクスを組み合わせたハイブリッド手法に分類すること。
• EMD、EWT、ウェーブレット、カーネルマッピングなどの前処理技術の統合を分析し、FCMの入力表現を改善すること。
• 多様なデータセットと予測期間において、RMSEやMAEなどの指標を用いてモデルのパフォーランスを評価すること。
• 制約付き最小二乗法、リッジ回帰、L-BFGSを用いた高速で進化的でない学習の統合を調査すること。
• HFCM、FCM-MP、DFCM、LSFCMなどのハイブリッドモデルを検討し、精度と解釈可能性を向上させること。

実験結果

リサーチクエスチョン

• RQ1 FCMベースの時系列予測精度を向上させるために、最も効果的な学習戦略は何か？
• RQ2 EMD、ウェーブレット、カーネルマッピングなどの前処理技術は、FCMのパフォーマンスをどのように向上させるか？
• RQ3 現在のFCMモデルが非定常時系列および多次元時系列を処理する際の制限は何か？
• RQ4 最小二乗法やリッジ回帰のような高速学習アルゴリズムを、FCMフレームワークに統合するにはどうすればよいか？
• RQ5 大規模で現実世界の予測応用に適したFCMのスケーリングにおいて、主な課題は何か？

主な発見

• 解釈可能性と動的フィードバック構造のおかげで、FCMベースのモデルは非線形的かつ不確実な時系列のモデリングにおいて優れたパフォーマンスを示す。
• ANN、進化的アルゴリズム、統計的手法（例：HFCM、FCM+ANN）と組み合わせたハイブリッドモデルは、従来のFCMよりも高い精度を達成している。
• GA や PSO といった進化的アルゴリズムは広く使われているが、計算コストが高いため、より高速な代替手法の開発が求められている。
• 最小二乗法やリッジ回帰に基づく学習手法（例：LSFCM、SAE+HFCM）は、収束が早く、単変量および多次元予測に効果的である。
• EMD やウェーブレットなどの前処理技術は、複雑な信号を分解し、非定常環境下での予測精度を向上させるのに役立つ。
• 進展は見られるものの、複数ステップ先予測、外れ値の取り扱い、大規模な多次元時系列データセットへのFCMのスケーリングにおける課題は依然として残っている。