Сравнение ARIMA и LSTM при прогнозировании временных рядов

A Comparison of ARIMA and LSTM in Forecasting Time Series
Sima Siami‐Namini, Neda Tavakoli, Akbar Siami Namin
2018-12-01

прогнозирование ARIMAдолгая краткосрочная памятьглубокое обучениеошибки прогнозированияпрогнозирование временных рядов
Прогнозирование данных временных рядов является важной задачей в экономике, бизнесе и финансах. Традиционно для эффективного прогнозирования следующего лага временного ряда применяют несколько методов, включая одномерные авторегрессионные (AR) модели, одномерные модели скользящего среднего (MA), простое экспоненциальное сглаживание (SES) и, в частности, модели авторегрессии — интегрированного скользящего среднего (ARIMA) и их многочисленные разновидности. В особенности модели ARIMA продемонстрировали превосходство по точности и аккуратности прогнозирования последующих лагов временного ряда. Благодаря недавнему развитию вычислительных мощностей и, что более важно, разработке более совершенных алгоритмов и подходов машинного обучения, таких как глубокое обучение, были созданы новые алгоритмы для анализа и прогнозирования данных временных рядов. В настоящей статье исследуется вопрос о том, превосходят ли и каким образом недавно разработанные алгоритмы прогнозирования временных рядов на основе глубокого обучения, такие как сети с долгой краткосрочной памятью (LSTM), традиционные алгоритмы. Проведённые и представленные в статье эмпирические исследования показывают, что алгоритмы на основе глубокого обучения, такие как LSTM, превосходят традиционные алгоритмы, например модель ARIMA. В частности, среднее снижение уровня ошибок, достигнутое методом LSTM по сравнению с ARIMA, составило от 84 до 87 процентов, что свидетельствует о превосходстве LSTM над ARIMA. Кроме того, было отмечено, что количество итераций обучения, называемых в глубоком обучении «эпохами», не влияло на эффективность обученной модели прогнозирования, которая демонстрировала действительно случайное поведение.
1
Эмпирические результаты показывают, что LSTM превосходит ARIMA по точности прогнозирования в проведённых исследованиях.
2
LSTM снижает средние ошибки прогнозирования на 84–87% по сравнению с ARIMA.
3
Количество эпох обучения LSTM, по-видимому, не влияло на производительность прогнозной модели и демонстрировало полностью случайное поведение.
4
В исследовании сравниваются традиционная модель ARIMA и метод глубокого обучения Long Short-Term Memory (LSTM) для прогнозирования временных рядов.

Данные временных рядов, используемые для прогнозирования на следующий лаг (one-step-ahead)

сравнительная эффективность прогнозирования и показатели ошибок моделей ARIMA и LSTM, включая влияние числа эпох обучения

Publication Details
Publication Date
2018-12-01
Journal
Publisher
ISSN
Cited by
1520
Access Type
Author Information
Authors
Sima Siami‐Namini
Neda Tavakoli
Akbar Siami Namin
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%