G-NM: A Group of Numerical Time Series Prediction Models

要約

この研究では、数値時系列予測モデルのグループ (G-NM) と総称される数値時系列予測モデルの包括的なアンサンブルの開発と実装に焦点を当てます。
この包括的なセットは、リカレント ニューラル ネットワーク (RNN) や長短期記憶などの最新のニューラル ネットワーク モデルに加えて、自己回帰統合移動平均 (ARIMA)、ホルト-ウィンターズ法、サポート ベクトル回帰 (SVR) などの従来のモデルで構成されています。
(LSTM)。
G-NM は、複雑な自然現象に固有のパターンと傾向に関連する予測能力を強化するために明示的に構築されています。
G-NM は、これらの事象に関連する時系列データを活用することで、長期にわたってそのような事象の予測を容易にします。
この研究の主な目的は、そのような出来事についての理解を深め、予測の精度を大幅に高めることです。
G-NM は、時系列データに存在する線形および非線形の両方の依存関係、季節性、および傾向をカプセル化します。
これらの各モデルは、線形傾向や季節性を処理する ARIMA の回復力、非線形パターンを捕捉する SVR の熟練度、時系列データのさまざまなコンポーネントをモデル化する LSTM の適応性まで、独特の強みを発揮します。
G-NM の可能性の活用を通じて、当社は最先端の大規模時系列予測モデルの進歩に努めています。
私たちは、この研究が、自然界を構成する複雑な出来事を理解して予測するという私たちの継続的な取り組みにおける重要な足がかりとなることを期待しています。

要約(オリジナル)

In this study, we focus on the development and implementation of a comprehensive ensemble of numerical time series forecasting models, collectively referred to as the Group of Numerical Time Series Prediction Model (G-NM). This inclusive set comprises traditional models such as Autoregressive Integrated Moving Average (ARIMA), Holt-Winters’ method, and Support Vector Regression (SVR), in addition to modern neural network models including Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM). G-NM is explicitly constructed to augment our predictive capabilities related to patterns and trends inherent in complex natural phenomena. By utilizing time series data relevant to these events, G-NM facilitates the prediction of such phenomena over extended periods. The primary objective of this research is to both advance our understanding of such occurrences and to significantly enhance the accuracy of our forecasts. G-NM encapsulates both linear and non-linear dependencies, seasonalities, and trends present in time series data. Each of these models contributes distinct strengths, from ARIMA’s resilience in handling linear trends and seasonality, SVR’s proficiency in capturing non-linear patterns, to LSTM’s adaptability in modeling various components of time series data. Through the exploitation of the G-NM potential, we strive to advance the state-of-the-art in large-scale time series forecasting models. We anticipate that this research will represent a significant stepping stone in our ongoing endeavor to comprehend and forecast the complex events that constitute the natural world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google