加法モデル下のARIMAとRBFNNを組み合わせた時系列予測手法の経験的評価

時系列データとは、異なる時点で繰り返し測定された一連の値のことです。時系列データは、ほぼすべての異なる分野に存在するデータの一種です。時系列予測は、時系列データマイニングにおける重要な問題です。正確な予測は、生活の多くの分野で意思決定を支えるために不可欠です。したがって、時系列予測の精度を向上させることは、この分野の専門家にとって興味深い使命です。時系列予測のために、従来の時系列モデルである自己回帰統合移動平均（ARIMA）モデルから人工ニューラルネットワーク（ANN）モデルまで、多くのモデルが提案されています。ARIMAは線形モデルであるため、時系列の線形特性しか考慮できません。一方、ラジアルベーシス関数ニューラルネットワーク（RBFNN）は非線形モデルであるため、時系列における季節変化やトレンド変化を効果的に予測することができません。これら二つのモデルの強みを組み合わせるために、本研究では、異なる分野からの実際の時系列データを用いてARIMAとRBFNNのハイブリッド手法を実験的に評価します。実験結果は、組み合わせた手法がそれぞれのモデルを個別に使用した場合よりも精度の面で優れていることを示しています。