Performance of Deep Learning models with transfer learning for multiple-step-ahead forecasts in monthly time series

要約

深層学習と転移学習モデルは、時系列予測の生成に使用されています。
ただし、パフォーマンス予測については、月次の時系列でより明らかであるという証拠はほとんどありません。
このペーパーの目的は、転移学習を使用したディープ ラーニング モデルと転移学習を使用しないディープ ラーニング モデル、および月次予測に使用される他の従来の手法を比較し、時系列の予測を生成するためのディープ ラーニングと転移学習の適合性に関する 3 つの質問に答えることです。
実験には M4 および M3 競技の時系列が使用されました。
この結果は、TCN、LSTM、および転移学習を使用した CNN に基づく深層学習モデルが、他の従来の手法のパフォーマンス予測を上回る傾向があることを示唆しています。
一方、ターゲット時系列で直接トレーニングされた TCN と LSTM は、一部の予測期間については従来の方法と同等かそれ以上のパフォーマンスを示しました。

要約(オリジナル)

Deep Learning and transfer learning models are being used to generate time series forecasts; however, there is scarce evidence about their performance prediction that it is more evident for monthly time series. The purpose of this paper is to compare Deep Learning models with transfer learning and without transfer learning and other traditional methods used for monthly forecasts to answer three questions about the suitability of Deep Learning and Transfer Learning to generate predictions of time series. Time series of M4 and M3 competitions were used for the experiments. The results suggest that deep learning models based on TCN, LSTM, and CNN with transfer learning tend to surpass the performance prediction of other traditional methods. On the other hand, TCN and LSTM, trained directly on the target time series, got similar or better performance than traditional methods for some forecast horizons.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google