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

要約

本研究では、数値時系列予測モデル群（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る。この包括的な集合は、自己回帰積分移動平均（ARIMA）、ホルト・ウィンタース法、サポートベクトル回帰（SVR）などの伝統的なモデルに加え、リカレント・ニューラル・ネットワーク（RNN）や長期短期記憶（LSTM）などの最新のニューラルネットワーク・モデルから構成される。G-NMは、複雑な自然現象に内在するパターンやトレンドに関する予測能力を強化するために構築されています。これらの事象に関連する時系列データを利用することで、G-NMは、長期間にわたるそのような現象の予測を容易にする。この研究の主な目的は、このような現象の理解を進め、予測の精度を大幅に高めることである。G-NMは、時系列データに存在する線形および非線形の依存関係、季節性、トレンドの両方を内包している。ARIMAは線形トレンドと季節性を扱う上で回復力があり、SVRは非線形パターンを捉えることに長けており、LSTMは時系列データの様々な構成要素をモデル化する上で適応性があるなど、これらのモデルはそれぞれ異なる強みを発揮する。G-NMの可能性を活用することで、大規模時系列予測モデルの最先端を目指す。この研究は、自然界を構成する複雑な事象を理解し予測するための我々の継続的な努力において、重要な足がかりとなることを期待している。

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, DeepL