[论文解读] The time series forecasting: from the aspect of network

S. Chen, Xin Lan+3 more|arXiv (Cornell University)|Mar 7, 2014

Time Series Analysis and Forecasting参考文献 1被引用 6

一句话总结

本文提出了一种新颖的时间序列预测方法，将时间序列转化为可视性图网络，并利用链接预测来估计未来值。通过识别最有可能与预测节点相连的节点，并将网络重新转换为时间序列，该方法在小样本数据集上相较于ARIMA表现出更优的性能，如在台湾加权股价指数预测中RMSE更低所示。

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.

研究动机与目标

• 解决在历史数据有限情况下的准确时间序列预测挑战。
• 通过将时间序列建模为复杂网络，探索一种新的预测范式。
• 通过利用网络结构和链接预测算法，提升预测精度。
• 与传统模型（如ARIMA）相比，证明所提出方法的有效性。

提出的方法

• 通过将每个数据点表示为节点，并根据可视性准则连接节点，将时间序列转换为可视性图。
• 应用链接预测技术，识别在图中与即将出现（预测）节点最可能连接的节点。
• 利用网络中的相似性与连通性模式，估计预测节点的值。
• 通过识别预测链接右侧最右端的可见数据点，从网络结构中重构时间序列。
• 基于最可能连接节点的垂直条高度计算预测值，优先选择较低值作为预测结果。
• 通过添加实际值并移除最旧数据，迭代更新训练集，以模拟实时预测。

实验结果

研究问题

• RQ1 时间序列预测能否通过复杂网络理论的视角被有效重构？
• RQ2 与经典统计模型相比，基于网络的链接预测如何提升预测精度？
• RQ3 在训练数据有限的情况下，所提出方法是否优于ARIMA？
• RQ4 网络结构对预测未来时间序列值有何影响？

主要发现

• 所提出方法在所有训练集规模下均实现了低于ARIMA的均方根误差（RMSE），在最小数据集（21条记录）中，RMSE为116.00，而ARIMA为158.06。
• 在中等数据集（64条记录）中，所提出方法的RMSE为78.29，而ARIMA为103.78，显示出持续的性能提升。
• 在最大数据集（107条记录）中，所提出方法仍优于ARIMA，RMSE为78.15，而ARIMA为82.91。
• 在小样本数据集中，所提出方法与ARIMA之间的性能差距最为显著，表明在数据稀缺条件下具有更优的泛化能力。
• 该方法有效利用了网络拓扑结构与链接预测，以推断未来值，且无需依赖参数假设。
• 对TAIEX数据的案例研究证实了该方法在不同数据量下的有效性与鲁棒性。