文献

J-GLOBAL ID：202202219308502775   整理番号：22A0831994

時系列予測のためのグローバルモデル:シミュレーション研究【JST・京大機械翻訳】

Global models for time series forecasting: A Simulation study

著者 (3件)： Hewamalage Hansika (Dept of Data Science and AI, Faculty of IT, Monash University, Melbourne, Australia) ,  Bergmeir Christoph (Dept of Data Science and AI, Faculty of IT, Monash University, Melbourne, Australia) ,  Bandara Kasun (School of Computing and Information Systems, Melbourne Centre for Data Science, University of Melbourne, Melbourne, Australia)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 124  ページ： Null  発行年： 2022年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： Bigデータの最近の進歩は,多くの時系列から同時に学習する競合グローバル予測モデル(GFM)を開発する機会を開いた。しかし,一連の関連性の概念は,局所統計的ベンチマークを超えるそれらの優位性を説明するためにGFMによって大いに利用されてきたが,この概念は,経験的設定においてほとんど調査されていない。したがって,本研究は,制御可能な特性を有する多くのデータセットをシミュレートすることによって,GFM性能に影響を及ぼす因子を探索することを試みた。制御される因子は,シリーズの均一性/不均一性,系列におけるパターンの複雑性,予測モデルの複雑性,および系列の長さ/数である。自動回帰(AR),季節的ARおよびフーリエTermsのような単純なデータ生成プロセス(DGP)から,カオスロジスティックマップ,自己拡張閾値自己回帰およびMacey-Glass方程式のような複雑なDGPに対する時系列をシミュレーションした。著者らは,GFMとして構築したReカレントニューラルネットワーク(RNN),フィードフォワードニューラルネットワーク,プール回帰モデルおよび光勾配ブースティングモデル(LGBM)を用いて,これらのデータセットに関する実験を行い,それらの性能を標準統計的予測技術と比較した。著者らの実験は,GFM性能に関して,関連性がデータの利用可能性,データの複雑性および使用した予測技術の複雑性のような他の因子と密接に関連することを示した。また,複雑な非線形モデリング能力をもつRNNやLGBMのような技法は,GFMとして構築するとき,短い系列,不均一系列,およびデータパターンの最小事前知識のような挑戦的な予測シナリオの下で競合的な方法である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  *シミュレーション ,  回帰分析 ,  データ ,  予測 ,  モデリング ,  回帰モデル ,  カオス ,  ベンチマーク ,  ロジスティック写像 ,  予測モデル
準シソーラス用語： 事前知識 ,  *時系列予測 ,  フィードフォワードニューラルネットワーク ,  複雑性 ,  自己回帰 ,  非線形モデリング , 【Automatic Indexing@JST】

著者キーワード (4件)： 時系列予測 ,  全球予測モデル ,  時系列シミュレーション ,  データ生成プロセス

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 時系列予測 ,  グローバル ,  モデル ,  シミュレーション ,  研究