深層ニューラルネットワークを用いた長期および短期の時間的パターンのモデル化

多変量時系列予測は、太陽光発電所の出力予測、電力消費量、交通渋滞状況など、多くの分野で重要な機械学習の問題となっています。これらの実世界アプリケーションにおける時間データは、しばしば長期的および短期的なパターンの混合を含んでおり、従来の自己回帰モデルやガウス過程などの手法では対処が困難な場合があります。本論文では、この未解決課題に取り組む新しい深層学習フレームワークである長期・短期時系列ネットワーク（LSTNet）を提案します。LSTNetは、変数間の短期的な局所依存関係パターンを抽出するための畳み込みニューラルネットワーク（CNN）と、時系列トレンドの長期的パターンを見出すための再帰型ニューラルネットワーク（RNN）を使用しています。さらに、神経망モデルのスケール感度問題に対処するために、従来の自己回帰モデルを利用しています。複雑な反復パターンが混在する実世界データでの評価において、LSTNetはいくつかの最先端ベースライン手法よりも大幅な性能向上を達成しました。すべてのデータと実験コードはオンラインで公開されています。