[论文解读] Visual Forecasting of Time Series with Image-to-Image Regression.

Naftali Cohen, Srijan Sood+3 more|arXiv (Cornell University)|Nov 18, 2020

Data Visualization and Analytics参考文献 24被引用 4

一句话总结

本文通过将数值数据转换为视觉表示，并使用卷积自编码器生成视觉预测，提出了一种时间序列的视觉预测方法。该方法通过将连续回归转化为像素空间的离散预测，优于数值基线模型，在周期性数据上表现强劲，但在股票价格等不规则数据上性能下降。

ABSTRACT

Time series forecasting is essential for agents to make decisions in many domains. Existing models rely on classical statistical methods to predict future values based on previously observed numerical information. Yet, practitioners often rely on visualizations such as charts and plots to reason about their predictions. Inspired by the end-users, we re-imagine the topic by creating a framework to produce visual forecasts, similar to the way humans intuitively do. In this work, we take a novel approach by leveraging advances in deep learning to extend the field of time series forecasting to a visual setting. We do this by transforming the numerical analysis problem into the computer vision domain. Using visualizations of time series data as input, we train a convolutional autoencoder to produce corresponding visual forecasts. We examine various synthetic and real datasets with diverse degrees of complexity. Our experiments show that visual forecasting is effective for cyclic data but somewhat less for irregular data such as stock price. Importantly, we find the proposed visual forecasting method to outperform numerical baselines. We attribute the success of the visual forecasting approach to the fact that we convert the continuous numerical regression problem into a discrete domain with quantization of the continuous target signal into pixel space.

研究动机与目标

• 解决人类在视觉推理中的直觉与时间序列分析中传统数值预测之间的差距。
• 探索时间序列的视觉表示是否可通过深度学习提升预测性能。
• 调查将连续数值回归转换为离散像素空间预测是否能增强模型的泛化能力和准确性。
• 评估视觉预测在多样化数据类型（包括合成和真实时间序列）中的有效性。

提出的方法

• 将时间序列数据转换为可视化图像（如折线图），将输入表示为图像。
• 使用卷积自编码器学习输入可视化图像的潜在表示，并重建预测的视觉输出。
• 将连续的目标信号量化为离散的像素值，将回归问题转化为像素空间中的分类类似任务。
• 通过图像到图像的回归端到端训练模型，最小化预测与真实视觉预测之间的重建损失。
• 在具有不同复杂度和时间模式的合成和真实世界数据集上应用该模型。

实验结果

研究问题

• RQ1 通过图像到图像回归的视觉预测是否能优于传统的数值预测模型？
• RQ2 视觉预测在不同时间序列模式（如周期性与不规则趋势）下的表现如何变化？
• RQ3 将目标信号量化为像素空间在多大程度上提升了预测准确性？
• RQ4 人类类似的视觉推理过程在预测中是否能转化为机器学习模型中的可测量性能提升？

主要发现

• 视觉预测方法在多个数据集上优于数值基线，证明了该方法的有效性。
• 该模型在周期性时间序列数据上表现优异，因为其视觉模式更具可预测性和一致性。
• 在不规则数据（如股票价格序列）上性能下降，表明其在处理高噪声或非周期性模式方面存在局限。
• 将连续目标信号量化为像素空间是该方法成功的关键因素，通过离散表示实现了更好的泛化能力。