Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting

要約

タイトル:
時間系列予測のための新しい特徴表現を持つ説明可能な並列RCNN

要約:
・時間系列予測は、データサイエンスにおける基本的な課題の一つである。
・天気や人間の介入などの外部変数による影響があり、多くの場合、これらは比較的高い精度で予測することができる。
・従来の自己回帰モデルを用いたイテレーション型の手法では累積誤差が起こるため、制限がある。
・過去のデータと未来の変数をエンコーダーとデコーダーで分けて扱う戦略も制限がある。
・この問題を解決するために、過去データと未来変数を合成する新しい特徴表現方法が提案された。
・複雑な時間ダイナミクスを抽出するために、RNNとCNNで構成された並列深層学習フレームワークを開発し、skip connection技術を利用した。
・３つのデータセットでの広範な実験により、提案手法の有効性が示された。
・最後に、Grad-CAMアルゴリズムを使用してモデルの機能解釈性を示した。

要約(オリジナル)

Accurate time series forecasting is a fundamental challenge in data science. It is often affected by external covariates such as weather or human intervention, which in many applications, may be predicted with reasonable accuracy. We refer to them as predicted future covariates. However, existing methods that attempt to predict time series in an iterative manner with autoregressive models end up with exponential error accumulations. Other strategies hat consider the past and future in the encoder and decoder respectively limit themselves by dealing with the historical and future data separately. To address these limitations, a novel feature representation strategy — shifting — is proposed to fuse the past data and future covariates such that their interactions can be considered. To extract complex dynamics in time series, we develop a parallel deep learning framework composed of RNN and CNN, both of which are used hierarchically. We also utilize the skip connection technique to improve the model’s performance. Extensive experiments on three datasets reveal the effectiveness of our method. Finally, we demonstrate the model interpretability using the Grad-CAM algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI