JP6694124B1 - 時系列データの前処理プログラム及び前処理方法 - Google Patents

Abstract

【課題】時系列データの平準化によらずにノイズを除去し、トレンドの滅殺を少なくする時系列データの前処理プログラム及び前処理方法を提供すること。【解決手段】過去の時刻ｔｉにおける対象値がｆ（ｔｉ）（ｉ＝１，２，．．．）で表現される時系列データについて、ｆ（ｔｉ）の値をｇ（ｔｉ）に変更し、将来値の予測をｇ（ｔｉ）の値に基づいて行うものとし、平均μ及び標準偏差σを計算し、μ−ｐσ≦ｆ（ｔｉ）≦μ＋ｐσである場合にｇ（ｔｉ）＝μとするランダムノイズ除去処理２と、ｆ（ｔｉ）≧μ＋ｑσである場合にｇ（ｔｉ）＝μ＋ｑσとしｆ（ｔｉ）≦μ—ｑσである場合にｇ（ｔｉ）＝μ—ｑσとするインパクトノイズ除去処理３とを含む時系列データの前処理プログラム、及びそれと同等の時系列データの前処理方法を提供する。【選択図】図１

Description

本発明は、過去の対象値の時系列データを用いて将来の予測値を求めるに先立ち、該時系列データのノイズを除去する時系列データの前処理プログラム及び前処理方法に関する。

株価、店舗の売上げ、その他の値（全てを包括して「対象値」と言う。）について、多くの過去の値（時系列データ）を利用して将来の値を予測することが行われている。ここで、時系列データには、将来の値を予測するためのトレンドが含まれているので、そのトレンドを抽出するような数学的手法（例えば、回帰分析、予測式のパラメータの最小２乗最適化）が用いられている。

ここで、時系列データにはトレンドとは無関係のノイズも含まれている。ノイズは、数学的手法の用いる数式を介して予測値の精度を低下させる。そこで、時系列データを事前処理してノイズを除去することが行われていた。例えば、特許文献１には、平方根変換処理、移動平均処理、階差変換処理等により非定常性を軽減させることが開示されている。

しかし、平方根変換処理、移動平均処理、階差変換処理等によって時系列データを平準化すると、ノイズのみならず、トレンドも滅殺されて（完全には除去されないが小さくなって）しまう。

特開平０６−３３７８５２号公報

本発明は、時系列データの平準化によらずにノイズを除去し、トレンドの滅殺を少なくする時系列データの前処理プログラム及び前処理方法を提供することを課題とする。

課題を解決するには、いかなるノイズが存在するかの理解が必須である。対象値を特定しないので、ノイズを厳密に分析できるものではないが、株価及び店舗の売上においては、以下の２種類のノイズが主と考えられる。

偶発的な事象によって対象値を上下させるノイズ（ランダムノイズ）：特定銘柄の株価であれば、当該銘柄（企業）の業績と関係なく市場動向として上昇傾向／下降傾向等が現れる。対象値のかかる変動は、将来の値の予測精度を低下させてしまう。

極めてまれな突発的な事象によって対象値を大きくノイズ（インパクトノイズ）：特定銘柄の株価であれば、海外の戦争勃発等によって、急激な上昇／下降が現れる。対象値のかかる変動は、将来の値にも影響し得るが、大きく評価して予測すると、精度を低下させてしまう。

そこで、本発明は、時系列データの平準化によらずにランダムノイズ及びインパクトノイズを除去することを目的とする。

本発明の時系列データの前処理用コンピュータプログラムは、
過去の時刻ｔ_ｉにおける対象値がｆ（ｔ_ｉ）（ｉ＝１，２，．．．）で表現される時系列データに基づいて将来の時刻Ｔにおける対象値ｆ（Ｔ）を予測するために、ｆ（ｔ_ｉ）の値をｇ（ｔ_ｉ）に変更する時系列データの前処理用コンピュータプログラムであって、
複数のｆ（ｔ_ｉ）の値の平均μ及び標準偏差σを計算する（ｆ（ｔ_ｉ）の値にウエイトをつけて計算するものを含む）事前計算処理と、
μ−ｐσ≦ｆ（ｔ_ｉ）≦μ＋ｐσである場合にｇ（ｔ_ｉ）＝μとするランダムノイズ除去処理を含み、
ｐ≦３であり、
コンピュータに前記事前計算処理及び前記ランダムノイズ除去処理を実行させるためのものである。

これによれば、平均に対してｐσ以下の変動をランダムノイズとして除去することができる。ここで、ｐの値は設計値として定めてよい。通常はｐ≒１と考えられるが、対称値に依存してｐ≦３の範囲での設計を認める。

本発明の時系列データの前処理用コンピュータプログラムは、
ｆ（ｔ_ｉ）≧μ＋ｑσである場合にｇ（ｔ_ｉ）＝μ＋ｑσとし、ｆ（ｔ_ｉ）≦μ―ｑσである場合にｇ（ｔ_ｉ）＝μ―ｑσとするインパクトノイズ除去処理を含み、
ｑ≧１、かつ、ｑ＞ｐであり、
コンピュータに前記事前計算処理、前記ランダムノイズ除去処理及び前記インパクトノイズ除去処理を実行させるためのものである。

これによれば、平均に対してｑσ以上の変動をインパクトノイズとして除去することができる。ここで、ｑの値は設計値として定めてよい。通常はｑ＞３と考えられるが、対称値に依存してｑ≧１の範囲での設計を認める。また、ｑ≦ｐであると、全ての対象値がランダムノイズ又はインパクトノイズの少なくとも一方を有することとなってしまうので、ｑ＞ｐとする。

本発明の時系列データの前処理用コンピュータプログラムは、
前記ｆ（ｔ_ｉ）の値として、現実の値に季節調整が行われた値を用いることを特徴とする。

この特徴によれば、季節調整が行われた後の値に対してノイズの除去を行うことができる。ここで「季節調整」は、対象値に周期的な変動がある場合にその変動を除去する操作を言い、ビールは夏に売れるというように１年を周期とするものに限定されない。周期的な変動も予測に影響するので、その影響をなくすものである。

本発明の時系列データの前処理方法は、
本発明の時系列データの前処理用コンピュータプログラムを用いて、
過去の時刻ｔ_ｉにおける対象値がｆ（ｔ_ｉ）（ｉ＝１，２，．．．）で表現される時系列データに基づいて将来の時刻Ｔにおける対象値ｆ（Ｔ）を予測するために、ｆ（ｔ_ｉ）の値をｇ（ｔ_ｉ）に変更することを特徴とする。

この特徴によれば、本発明の時系列データの前処理プログラムを活用した時系列データの前処理方法が提供される。

本発明によれば、時系列データの平準化によらずにノイズを除去し、トレンドの滅殺を少なくする時系列データの前処理プログラム及び前処理方法を提供することが可能となる。将来値の予測精度が向上する。

図１は、時系列データの前処理プログラムのフローチャートである。

以下、本発明の実施形態について図面を参照して詳細に説明する。

図１は、時系列データの前処理プログラムのフローチャートである。時系列データの前処理プログラムは、事前計算処理１、ランダムノイズ除去処理２及びインパクトノイズ除去処理３を備えている。

時系列データの前処理プログラムは、事前計算処理１、ランダムノイズ除去処理２及びインパクトノイズ除去処理３を含む各処理を、コンピュータに実行させるためのプログラムである。コンピュータは、ＣＰＵを用いて実行することができる。

時系列データの前処理プログラムは、時系列データｆ（ｔ_ｉ）を入力し、事前計算処理１、ランダムノイズ除去処理２及びインパクトノイズ除去処理３（前処理）を施した時系列データｇ（ｔ_ｉ）を出力する。

事前計算処理１は、時系列データの平均μ及び標準偏差σを計算する。平均μ及び標準偏差σは、
として、通常は定義される。事前計算処理１は、このとおりに平均μ及び標準偏差σを計算することができる。ここでｔ_ｉは、ｉ番目のデータの取得時点であり、ｆ（ｔ_ｉ）はi番目のデータの値である。

ここで、平均μ及び標準偏差σの計算において、時系列データにデータ毎のウエイトｗ_ｉを設けてもよい。I番目のデータのウエイトをｗ_ｉとし、
との計算を行うことが考えられる。ｗ_ｉをiに依存しない固定値とすると、数３、４は、数１、２と同一である。

ウエイトは、各種の事情で設けることが考えられるが、将来値の予測に合わせることが好ましい。例えば、株価の予測で直近１年の対象値に基づいて予測するならば、ｔ_ｉが現時点より１年以上前ならばｗ_ｉ＝０、１年未満前ならばｗ_ｉ＝１とする。また、現時点とｔ_ｉと差が大きいとｗ_ｉが小さくなるように例えばｗ_ｉをｔ_ｉの指数関数としてもよい。その他、各種のウエイトが可能である。

ランダムノイズ除去ステップ２は、μ−ｐσ≦ｆ（ｔ_ｉ）≦μ＋ｐσである場合にｇ（ｔ_ｉ）＝μとする。すなわち、μとの差がｐσ以下であるデータについては、大きな変動をもたらさないランダムノイズとして、全てをμとする。

ここで、ｐの値は設計事項として定めるが、大きな変動をもたらさないものであるので、ｐ≦１とすることが一般的である。しかし、対象値の性質に対応してより大きなｐとしてもよい。ただし、ｐ＞３とすることは、ほとんどのデータをランダムノイズとしてしまうので、好ましくない。

インパクトノイズ除去処理３は、ｆ（ｔ_ｉ）≧μ＋ｑσである場合にｇ（ｔ_ｉ）＝μ＋ｑσとし、ｆ（ｔ_ｉ）≦μ―ｑσである場合にｇ（ｔ_ｉ）＝μ―ｑσとする。すなわち、μからｑσ以上離間したデータは、突発的な事象に基づくインパクトノイズであるとして、μとの差をｑσに縮小する。

ここで、ｑの値は設計事項として定めるが、突発的な事象に基づく大きな変動のものであるので、ｑ≧３とすることが一般的である。しかし、対象値の性質に対応してより小さなｑとしてもよい。ただし、ｑ＜１とすることは、多くのデータをインパクトノイズとしてしまうので、好ましくない。また、ランダムノイズとインパクトノイズとは別種のものであるので、ｑ＞ｐとして峻別する。

ランダムノイズ除去処理２及びインパクトノイズ除去処理３は、いずれも、各々のデータの値のみに基づいて処理をしており、平準化を行っていない。このため、トレンドの滅殺が平準化を行う場合よりも減少する。

出願人は、ｐ＝１、ｑ＝４として、株価予測を行った。将来値の予測は、自己回帰和分移動平均等の標準的なものとした。株価の予測精度は、ｐ＝１、ｑ＝４として前処理を行ったものが、前処理を行わないものよりも、高精度であった。

ここまで、対象値ｆ（ｔ_ｉ）は、測定された値をそのまま用いるものとしたが、測定された値に季節調整を行い、季節調整後の値をｆ（ｔ_ｉ）とすることもできる。上述のとおり、周期的な変動を調整するものであれば、「季節」の語から連想される１年周期のものでなくても「季節調整」とする。

季節調整後の値をｆ（ｔ_ｉ）とすることで、季節変動が将来値の予測に与える誤差をなくすことができる。この場合、季節調整→予測→季節逆調整の手順として、予測値を求める。

以上、時系列データの前処理用コンピュータプログラムについて説明した。

この時系列データの前処理用コンピュータプログラムを用いることで、時系列データの前処理方法が合わせて提供される。

時系列データの平準化によらずにノイズを除去しトレンドの滅殺を少なくする時系列データの前処理プログラム及び前処理方法であり、将来値の予測精度が向上する。多くの将来値予測者（例えば株式取引のコンサルタント、企業経営のコンサルタント）による利用が考えられる。

１ 事前計算処理
２ ランダムノイズ除去処理
３ インパクトノイズ除去処理

Claims (4)

1. 過去の時刻ｔ_ｉにおける対象値がｆ（ｔ_ｉ）（ｉ＝１，２，．．．）で表現される時系列データに基づいて将来の時刻Ｔにおける対象値ｆ（Ｔ）を予測するために、ｆ（ｔ_ｉ）の値をｇ（ｔ_ｉ）に変更する時系列データの前処理用コンピュータプログラムであって、
   複数のｆ（ｔ_ｉ）の値の平均μ及び標準偏差σを計算する（ｆ（ｔ_ｉ）の値にウエイトをつけて計算するものを含む）事前計算処理と、
   μ−ｐσ≦ｆ（ｔ_ｉ）≦μ＋ｐσである場合にｇ（ｔ_ｉ）＝μとするランダムノイズ除去処理を含み、
   ｐ≦３であり、
   コンピュータに前記事前計算処理及び前記ランダムノイズ除去処理を実行させるための、時系列データの前処理用コンピュータプログラム。
2. ｆ（ｔ_ｉ）≧μ＋ｑσである場合にｇ（ｔ_ｉ）＝μ＋ｑσとし、ｆ（ｔ_ｉ）≦μ―ｑσである場合にｇ（ｔ_ｉ）＝μ―ｑσとするインパクトノイズ除去処理を含み、
   ｑ≧１、かつ、ｑ＞ｐであり、
   コンピュータに前記事前計算処理、前記ランダムノイズ除去処理及び前記インパクトノイズ除去処理を実行させるための、請求項１に記載の時系列データの前処理用コンピュータプログラム。
3. 前記ｆ（ｔ_ｉ）の値として、現実の値に季節調整が行われた値を用いることを特徴とする、請求項１又は２に記載の時系列データの前処理用コンピュータプログラム。
4. 請求項１〜３のいずれか１項に記載の時系列データの前処理用コンピュータプログラムを用いて、
   過去の時刻ｔ_ｉにおける対象値がｆ（ｔ_ｉ）（ｉ＝１，２，．．．）で表現される時系列データに基づいて将来の時刻Ｔにおける対象値ｆ（Ｔ）を予測するために、ｆ（ｔ_ｉ）の値をｇ（ｔ_ｉ）に変更することを特徴とする、時系列データの前処理方法。