Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting

要約

正確な時系列予測は、データ サイエンスにおける基本的な課題です。
多くの場合、天候や人間の介入などの外部共変量の影響を受けますが、多くのアプリケーションでは、これらは妥当な精度で予測される可能性があります。
これらを予測将来共変量と呼びます。
ただし、自己回帰モデルを使用して時系列を反復的に予測しようとする既存の方法では、指数関数的な誤差が蓄積されてしまいます。
エンコーダとデコーダで過去と未来を考慮しない他の戦略は、過去のデータと将来のデータを別々に処理することによって制限されます。
これらの制限に対処するために、過去のデータと将来の共変量を融合して相互作用を考慮できるようにする、新しい特徴表現戦略であるシフティングが提案されています。
時系列の複雑なダイナミクスを抽出するために、階層的に使用される RNN と CNN で構成される並列深層学習フレームワークを開発します。
また、モデルのパフォーマンスを向上させるためにスキップ接続技術も利用しています。
3 つのデータセットに対する広範な実験により、私たちの方法の有効性が明らかになりました。
最後に、Grad-CAM アルゴリズムを使用してモデルの解釈可能性を実証します。

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, Google