핵심 개념
本論文では、時系列データの傾向と依存構造を同時に推定する新しい深層学習ベースのアプローチを提案する。長短期記憶(LSTM)ネットワークを用いて、最尤推定法により傾向と VAR パラメータを推定する。
초록
本論文では、時系列データの傾向と依存構造を同時に推定する新しい深層学習ベースのアプローチを提案している。具体的には以下の通りである:
- 時系列データの傾向をLSTMネットワークを用いてモデル化する。
- 傾向を除いた系列に対してVAR(ベクトル自己回帰)モデルを適用する。
- VAR係数行列のパラメータに因果性の制約を課すことで、モデルの安定性を確保する。
- 正規対数尤度関数を最大化することで、傾向とVARパラメータを同時に推定する。
提案手法の有効性を検証するため、シミュレーション研究と実データ分析を行っている。シミュレーション研究では、実データから得られた傾向関数を用いて系列を生成し、提案手法の推定精度を評価している。実データ分析では、3つの異なるデータセットに適用し、従来手法と比較して優れた予測精度を示している。
통계
傾向を除いた系列の1ステップ先予測誤差の絶対パーセンテージ誤差(APE)は、提案手法が従来手法に比べて小さい。
予測区間の正確性を示すスケーリング区間スコア(SIS)も、提案手法が従来手法に比べて小さい。
인용구
"本論文では、時系列データの傾向と依存構造を同時に推定する新しい深層学習ベースのアプローチを提案している。"
"提案手法の有効性を検証するため、シミュレーション研究と実データ分析を行っている。"