[论文解读] Comprehensive Analysis of Time Series Forecasting Using Neural Networks.

Manie Tadayon, Yumi Iwashita|arXiv (Cornell University)|Jan 27, 2020

Time Series Analysis and Forecasting参考文献 21被引用 4

一句话总结

本文提出了一种混合神经网络架构，整合动态与静态测量数据以进行时间序列预测，利用聚类技术提升预测效率与准确性。结果表明，基于特征的聚类在速度与效果上均优于基于距离的聚类，而增加更多预测变量并不总是能提升预测性能。

ABSTRACT

Time series forecasting has gained lots of attention recently; this is because many real-world phenomena can be modeled as time series. The massive volume of data and recent advancements in the processing power of the computers enable researchers to develop more sophisticated machine learning algorithms such as neural networks to forecast the time series data. In this paper, we propose various neural network architectures to forecast the time series data using the dynamic measurements; moreover, we introduce various architectures on how to combine static and dynamic measurements for forecasting. We also investigate the importance of performing techniques such as anomaly detection and clustering on forecasting accuracy. Our results indicate that clustering can improve the overall prediction time as well as improve the forecasting performance of the neural network. Furthermore, we show that feature-based clustering can outperform the distance-based clustering in terms of speed and efficiency. Finally, our results indicate that adding more predictors to forecast the target variable will not necessarily improve the forecasting accuracy.

研究动机与目标

• 开发能够有效结合动态与静态测量数据的神经网络架构，以提升时间序列预测性能。
• 评估异常检测与聚类技术对预测准确率的影响。
• 从效率与性能角度，比较基于特征的聚类与基于距离的聚类方法。
• 探究增加预测变量数量是否始终能提升预测结果。

提出的方法

• 提出多种神经网络架构，旨在处理动态与静态时间序列测量数据。
• 将聚类技术——特别是基于特征的聚类与基于距离的聚类——整合到预测流程中，以对相似时间序列进行分组。
• 应用异常检测对数据进行预处理，以提升模型鲁棒性，再进行预测。
• 采用混合建模方法，将静态特征嵌入并结合到神经网络架构中的动态序列中。
• 使用动态测量数据（例如，序列数据点）作为循环神经网络或序列神经网络的输入，以学习时间模式。
• 使用标准预测指标评估模型性能，比较不同聚类变体与预测变量数量的影响。

实验结果

研究问题

• RQ1 结合动态与静态测量数据的混合神经网络架构如何影响时间序列预测的准确性？
• RQ2 对时间序列数据进行聚类是否能提升预测性能与预测速度？
• RQ3 基于特征的聚类是否在效率与准确性方面优于基于距离的聚类？
• RQ4 增加预测变量数量是否能带来更好的预测结果，还是存在收益递减现象？

主要发现

• 与基于距离的聚类相比，基于特征的聚类在预测速度与效率方面有显著提升。
• 聚类同时提升了预测准确率与整体预测时间，展现出双重优势。
• 通过神经网络整合静态与动态测量数据，可构建更鲁棒的预测模型。
• 增加更多预测变量并不一定提升预测准确率，表明复杂度增加可能导致收益递减。
• 异常检测有助于提升模型鲁棒性，但其对准确率的直接影响在结果中未量化。
• 结合静态与动态输入的混合架构在性能上优于仅使用动态输入的模型。