Core Concepts
時系列予測タスクにおいて、LSTMネットワークを用いて共変量を同時に予測することは、特定の条件下では全体的なモデルパフォーマンスを向上させることができるが、多くの場合、共変量の予測は単変量予測よりも劣る可能性がある。
Abstract
本研究では、時系列予測におけるLSTMネットワークの有効性を評価するため、公開されているデータセットを用いて包括的なテストを行った。特に、未来の時間依存共変量を人為的に導入し、それらの共変量を考慮した場合のモデルパフォーマンスを単変量ベースラインと比較した。
その結果、以下のことが明らかになった:
短い予測期間では、共変量を考慮することで全体的なモデルパフォーマンスを向上させることができる。
しかし、予測期間が長くなるにつれ、共変量の考慮は必ずしも有効ではなくなる。
共変量と目的変数の相関が0.9以下の場合、共変量の考慮は単変量予測よりも劣る可能性がある。
共変量の数を増やしても、必ずしもパフォーマンスが向上するわけではない。
LSTMアーキテクチャは、共変量の予測が予測精度の向上に寄与することが期待される予測タスクには適していない可能性がある。
Stats
共変量と目的変数の相関係数が1.0の場合、Traffic データセットでは予測期間3ステップ目までの予測精度が単変量モデルを大きく上回った。
共変量と目的変数の相関係数が0.9の場合、Tourism データセットでは予測精度が単変量モデルを下回った。
共変量と目的変数の相関係数が0.5の場合、Electricity データセットでは予測精度が単変量モデルを下回った。
Quotes
"時系列予測タスクにおいて、LSTMネットワークを用いて共変量を同時に予測することは、特定の条件下では全体的なモデルパフォーマンスを向上させることができるが、多くの場合、共変量の予測は単変量予測よりも劣る可能性がある。"
"LSTMアーキテクチャは、共変量の予測が予測精度の向上に寄与することが期待される予測タスクには適していない可能性がある。"