Two-stage hybrid models for enhancing forecasting accuracy on heterogeneous time series

要約

シリーズごとの方法で構築されたローカルモデルと比較して、グローバルモデルは時系列間で関連情報を活用して、予測パフォーマンスと一般化能力が向上します。
一連の時系列にグローバルモデルを構築することは、時系列予測の分野で主流になりつつあります。
ただし、不均一なデータを扱う際には、グローバルモデルの利点が常に実現されるとは限りません。
モデルの複雑さを高めることで不均一なデータセットに適応できますが、グローバルモデルの適用に課題をもたらす有限サンプルサイズのため、モデルを無限に複雑にすることはできません。
さらに、時系列のデータが均一か不均一であるかを判断することは、実際には曖昧になる可能性があります。
これらの研究ギャップに対処するために、このペーパーでは、データの不均一性は使用されるグローバルモデルによって定義されるべきであり、各シリーズでは、グローバルモデルによってモデル化されていない部分は不均一性を表しています。
さらに、2段階のハイブリッドモデルを提案します。これには、不均一なパターンを識別およびモデル化するための第2段階が含まれます。
この第2段階では、異質性に基づいて分割されたさまざまなドメインにわたって、すべてのローカルモデルまたはサブグローバルモデルのいずれかを推定できます。
4つのオープンデータセットでの実験により、提案された方法が5つの既存のモデルを大幅に上回ることが明らかになり、異種データセット上のグローバルモデルの可能性を完全に解き放つことに貢献しています。

要約(オリジナル)

Compared to local models built in a series-by-series manner, global models leverage relevant information across time series, resulting in improved forecasting performance and generalization capacity. Constructing global models on a set of time series is becoming mainstream in the field of time series forecasting. However, the advantages of global models may not always be realized when dealing with heterogeneous data. While they can adapt to heterogeneous datasets by increasing the model complexity, the model cannot be infinitely complex due to the finite sample size, which poses challenges for the application of global models. Additionally, determining whether the time series data is homogeneous or heterogeneous can be ambiguous in practice. To address these research gaps, this paper argues that the heterogeneity of the data should be defined by the global model used, and for each series, the portion not modelled by the global model represents heterogeneity. It further proposes two-stage hybrid models, which include a second stage to identify and model heterogeneous patterns. In this second stage, we can estimate either all local models or sub-global models across different domains divided based on heterogeneity. Experiments on four open datasets reveal that the proposed methods significantly outperform five existing models, indicating they contribute to fully unleash the potential of global models on heterogeneous datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google