文献

J-GLOBAL ID：202002268353643873   整理番号：20A2544468

線形時系列予測のための組合せ方法論

Combined Methodology for Linear Time Series Forecasting

著者 (3件)： Moraes Muniz da Silva Ricardo (Department of Computer Science and Engineering, Nagoya Institute of Technology, Gokiso-cho, Showa-ku, Nagoya, 466-8555, Japan) ,  Kugler Mauricio (Department of Computer Science and Engineering, Nagoya Institute of Technology, Gokiso-cho, Showa-ku, Nagoya, 466-8555, Japan) ,  Umezaki Taizo (Department of Computer Science and Engineering, Nagoya Institute of Technology, Gokiso-cho, Showa-ku, Nagoya, 466-8555, Japan)
資料名： IEEJ Transactions on Electrical and Electronic Engineering  (IEEJ Transactions on Electrical and Electronic Engineering)
巻： 15  号： 12  ページ： 1780-1790  発行年： 2020年12月 
JST資料番号： W1854A  ISSN： 1931-4973  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 時系列予測は,発生プロセスが未知である一連の過去の観察を与える将来の値を予測するために用いられる重要なタイプの定量的モデルである。線形時系列のモデリングのための最もよく知られた方法の2つは,自己回帰統合移動平均(ARIMA)と自己回帰分数積分移動平均(ARFIMA)である。異なるデータセットに対して,正確な予測に必要な過去の観測の数は変化する可能性がある。短期および長期メモリ依存性問題は,ARIMAモデルが後者に対して特に開発された一方で,ARIMAモデルを最初に制限する異なる処理を必要とする。これらのモデルの特定の成分に関する前処理技術と修正は,それらの精度を改善するためにメモリ依存性問題に取り組むために使われる一般的なアプローチである。しかし,そのような解決策は特定のデータセットに特異的である。本論文では,いくつかの異なるシナリオで低累積誤差を保つために,2つの前述のモデルの短期と長いメモリ特性を組み合わせた新しい方法を提案した。12の公共時系列データセットを用いて,提案した方法の性能を元のモデルと比較した。結果はまた,異なるメモリ依存性のデータセットを扱うのに使用される文献からの2つの代替方法と比較された。新しい方法は,多数の特徴を含むデータセットのみに失敗する,大多数の実験に対してより低い誤差を示した。Copyright 2021 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： 予測 ,  時系列分析 ,  *ARMAモデル ,  *移動平均法 ,  *自己回帰モデル ,  誤差 ,  組合せ論 ,  数学モデル ,  予測モデル ,  集合 ,  データ ,  記憶装置
準シソーラス用語： *線形時系列予測 ,  ARIMA ,  *ARFIMA ,  組合せモデル ,  累積誤差 ,  定量モデル ,  データセット

著者キーワード (5件)： 時系列予測 ,  ARIMA ,  ARFIMA ,  組合せモデル ,  累積エラー

分類 (1件)： 数理計画法  (KA03030M)

タイトルに関連する用語 (4件)： 線形 ,  時系列予測 ,  組合せ ,  方法論