JPH07234895A - Time series forcasting method - Google Patents
Time series forcasting methodInfo
- Publication number
- JPH07234895A JPH07234895A JP2391794A JP2391794A JPH07234895A JP H07234895 A JPH07234895 A JP H07234895A JP 2391794 A JP2391794 A JP 2391794A JP 2391794 A JP2391794 A JP 2391794A JP H07234895 A JPH07234895 A JP H07234895A
- Authority
- JP
- Japan
- Prior art keywords
- time series
- series data
- event
- event knowledge
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 239000010779 crude oil Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000059 patterning Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、過去および現在の時系
列データを用いて、将来の時系列データを予測する時系
列予測方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a time series prediction method for predicting future time series data using past and present time series data.
【０００２】[0002]
【従来の技術】予測対象時系列データ、および前記予測
対象時系列データと相関関係のある関連時系列データ
の、過去および現在のデータを予測手段に入力して、前
記予測対象時系列データの将来のデータを予測する場
合、従来技術では、統計的手法により時系列データを解
析して予測関数を導出する方法や、時系列データを用い
てニューラルネットワークを学習させる方法が採用され
ていた。2. Description of the Related Art Past and present data of prediction target time series data and related time series data having a correlation with the prediction target time series data are input to a prediction means to predict the future of the prediction target time series data. In the prior art, when predicting data, the method of analyzing time series data by a statistical method and deriving a prediction function, and the method of learning a neural network using time series data have been adopted.
【０００３】統計的手法を用いる場合として、ここで
は、重回帰モデル［文献１、石村、有馬：多変量解析の
はなし、東京図書、１９８７］を用いる場合を例にとっ
て説明する。As a case of using the statistical method, a case of using a multiple regression model [Reference 1, Ishimura, Arima: Multivariate Analysis, Tokyo Book, 1987] will be described as an example.
【０００４】また、ニューラルネットワークを用いる場
合として、ここでは、図１に示すようなリカレント型ニ
ューラルネットワーク［文献２、J.L.Elman ："Finding
structure in time,"CRL Tech.Rep.8801,Univ.of Cali
fornia,San Diego (1989) ］を用いる場合を例にとって
説明する。In the case of using a neural network, here, a recurrent neural network as shown in FIG. 1 [Reference 2, JLElman: "Finding
structure in time, "CRL Tech.Rep.8801, Univ.of Cali
fornia, San Diego (1989)] will be described as an example.
【０００５】図１において、１は入力層、２は文脈層、
３は中間層、４は出力層である。５，６，７は、それぞ
れ、入力層１から中間層３へ、文脈層２から中間層３
へ、中間層３から出力層４へ信号を入力するための重み
付き接続線（完全結合）である。接続線５，６，７の重
みを学習することによって、学習課題にふさわしい重み
に決定する。学習アルゴリズムとしては、バックプロパ
ゲーション法［文献３、D.E.Rumelhart et al,：Parall
el Distributed Processing,Vol.1,MIT Press (1986)］
を用いる。図１において、８は、中間層３から文脈層２
に入力するための接続線であり、重み固定の１対１結合
である。In FIG. 1, 1 is an input layer, 2 is a context layer,
Reference numeral 3 is an intermediate layer, and 4 is an output layer. 5, 6, and 7 are the input layer 1 to the intermediate layer 3, and the context layer 2 to the intermediate layer 3, respectively.
Is a weighted connection line (complete coupling) for inputting a signal from the intermediate layer 3 to the output layer 4. By learning the weights of the connecting lines 5, 6, and 7, the weights suitable for the learning task are determined. As a learning algorithm, a backpropagation method [Reference 3, DE Rumelhart et al ,: Parallel is used.
el Distributed Processing, Vol.1, MIT Press (1986)]
To use. In FIG. 1, reference numeral 8 denotes the intermediate layer 3 to the context layer 2
It is a connection line for inputting into, and is a weight-fixed one-to-one connection.
【０００６】過去および現在の時系列データを入力パタ
ーンとして、将来の時系列データを出力させるときの、
図１に示したリカレント型ニューラルネットワークへの
入力パターンと教師パターンの与え方は次のようにす
る。但し、時刻ｔにおける予測対象時系列データＡの値
をＡ(t) とし、関連時系列データＢ，Ｃ，Ｄ，Ｅの値を
Ｂ(t) ，Ｃ(t) ，Ｄ(t) ，Ｅ(t) とする。When past and present time series data are used as input patterns and future time series data is output,
The method of giving the input pattern and the teacher pattern to the recurrent neural network shown in FIG. 1 is as follows. However, the value of the prediction target time series data A at time t is A (t), and the values of the related time series data B, C, D, E are B (t), C (t), D (t), E. (t).
【０００７】時刻ｔの観測値であるＡ(t) ，Ｂ(t) ，Ｃ
(t) ，Ｄ(t) ，Ｅ(t) を入力層１への入力パターンとす
る。また、時刻（ｔ−１）の中間層３の出力パターンを
文脈層２への入力パターンとする（接続線８を用いて、
中間層３から文脈層２へ入力する）。そして、時刻（ｔ
＋１）の観測値であるＡ(t+1) を出力層４への教師パタ
ーンとする。時刻１〜時刻１０における入力パターンと
教師パターンとの対応を図２に示す。A (t), B (t), C which are observed values at time t
Let (t), D (t), and E (t) be the input patterns to the input layer 1. In addition, the output pattern of the intermediate layer 3 at time (t-1) is used as the input pattern to the context layer 2 (using the connection line 8,
Input from Middle Tier 3 to Context Tier 2). Then, the time (t
Let A (t + 1), which is the observed value of +1), be a teacher pattern for the output layer 4. The correspondence between the input pattern and the teacher pattern at time 1 to time 10 is shown in FIG.
【０００８】この場合、入力層のニューロン数は５個で
あり、出力層のニューロン数は１個である。中間層およ
び文脈層のニューロン数は試行錯誤的に決定する。In this case, the number of neurons in the input layer is 5, and the number of neurons in the output layer is 1. The number of neurons in the middle layer and the context layer is determined by trial and error.
【０００９】ここでは、予測対象時系列データの例とし
て、株価の日次データを取り上げる。具体的にはＴＯＰ
ＩＸ（東京証券市場の平均株価指数）を用いる。また、
前記株価データと相関のある関連時系列データとして、
為替レート（１ドルあたりの円）、金利、原油価格、ニ
ューヨーク証券市場の平均株価を用いる。Here, daily data of stock prices will be taken as an example of the time series data to be predicted. Specifically, TOP
IX (average stock index of Tokyo Stock Exchange) is used. Also,
As related time series data having a correlation with the stock price data,
We use exchange rates (yen per dollar), interest rates, crude oil prices, and average stock prices on the New York Stock Exchange.
【００１０】前記の５個の時系列データの日次変化分
（当日値−前日値）を予測手段に入力し、ＴＯＰＩＸの
翌日の日次変化分（翌日値−当日値）を出力させるよう
な形で学習および予測実験を行った。The daily change (current day value-previous day value) of the above-mentioned five time-series data is input to the predicting means, and the daily change amount of the next day of TOPIX (next day value-current day value) is output. We conducted learning and prediction experiments in a form.
【００１１】その結果、重回帰モデルでは平均予測誤差
が１６．８、変動方向の正解率が６２％だった。また、
前記のリカレント型ニューラルネットワークでは平均予
測誤差が１６．５、変動方向の正解率が６４．５％だっ
た。As a result, in the multiple regression model, the average prediction error was 16.8 and the accuracy rate in the direction of fluctuation was 62%. Also,
In the recurrent neural network, the average prediction error was 16.5 and the correct answer rate in the direction of fluctuation was 64.5%.
【００１２】ここで、平均予測誤差とは、予測値と実測
値の差（絶対値）の平均値であり、変動方向の正解率と
は、予測した変動方向（上がるか下がるか）の正解率の
ことである。Here, the average prediction error is the average value of the difference (absolute value) between the predicted value and the actual measurement value, and the correct rate in the fluctuation direction is the correct rate in the predicted fluctuation direction (whether it goes up or down). That is.
【００１３】[0013]
【発明が解決しようとする課題】一般的に言って、ある
時系列データの将来の値は、自分自身を含めた複数種類
の時系列データの過去および現在の値と、上記時系列デ
ータ群以外の外的要因に依存している。Generally speaking, the future values of a certain time series data are past and present values of a plurality of types of time series data including oneself and other than the above time series data group. Depends on external factors.
【００１４】例えば、株価の将来の値は、株価自身と出
来高、金利、為替レートなどの過去および現在の値と、
政治的変動（例えば、ロシアの政変）、社会的変動（例
えば、バブル崩壊）などの外的要因に依存している。For example, the future value of the stock price is the stock price itself and past and present values such as volume, interest rate, and exchange rate,
It relies on external factors such as political change (eg Russian political change), social change (eg bubble burst).
【００１５】上述した従来の時系列予測方法では、時系
列データは利用されていたが、前記の外的要因は利用さ
れていなかったため（外的要因の使用方法などが定まっ
ていなかったため）、予測能力が低いという問題があ
る。In the above-mentioned conventional time series prediction method, the time series data was used, but the external factors mentioned above were not used (because the usage of the external factors was not determined), the prediction was made. There is a problem of low ability.
【００１６】本発明は、上記に鑑みてなされたもので、
その目的とするところは、過去および現在の時系列デー
タに加えて、外的要因も活用して、将来の時系列データ
を予測し、従来よりも優れた予測能力を有する時系列予
測方法を提供することにある。The present invention has been made in view of the above,
The aim is to provide a time series forecasting method that has better prediction performance than before by predicting future time series data by utilizing external factors in addition to past and present time series data. To do.
【００１７】[0017]
【課題を解決するための手段】上記目的を達成するた
め、本発明の時系列予測方法は、予測対象時系列デー
タ、および該予測対象時系列データと相関のある時系列
データの過去および現在のデータを予測手段に入力し、
前記予測対象時系列データの将来のデータを予測する時
系列予測方法であって、前記時系列データの将来に影響
を及ぼす要因を複数のイベント知識に分類し、この分類
されたイベント知識をパターン化し、このパターン化さ
れたイベント知識の過去および現在のパターンを前記予
測手段に入力することを要旨とする。In order to achieve the above object, the time-series prediction method of the present invention provides a prediction target time-series data and past and present data of time-series data correlated with the prediction-target time series data. Enter the data into the predictor,
A time series prediction method for predicting future data of the prediction target time series data, wherein factors that affect the future of the time series data are classified into a plurality of event knowledge, and the classified event knowledge is patterned. The gist is to input the past and present patterns of the patterned event knowledge into the prediction means.
【００１８】また、本発明の時系列予測方法は、前記時
系列データの将来に影響を及ぼす外的要因を複数のイベ
ント知識に分類するステップとして、前記外的要因を
「予測対象時系列データが増加傾向となる事象が発生し
た」、「予測対象時系列データが減少傾向となる事象が
発生した」、「いずれの事象も発生していない」という
３つのイベント知識に分類することを要旨とする。In the time series prediction method of the present invention, as a step of classifying an external factor affecting the future of the time series data into a plurality of event knowledge, the external factor is "prediction target time series data is The gist is to classify it into three event knowledges: "an event that has an increasing tendency has occurred", "an event that has a decreasing tendency in the prediction target time series data has occurred", and "no event has occurred". .
【００１９】更に、本発明の時系列予測方法は、前記分
類されたイベント知識をパターン化するステップとし
て、前記予測対象時系列データが増加傾向となる事象が
発生したと分類されるイベント知識を「１」という数値
パターンに変換し、前記予測対象時系列データが減少傾
向となる事象が発生したと分類されるイベント知識を
「０」という数値パターンに変換し、前記いずれの事象
も発生していないと分類されたイベント知識を「０．
５」という数値パターンに変換することを要旨とする。Further, in the time-series prediction method of the present invention, as a step of patterning the classified event knowledge, the event knowledge classified as an event in which the prediction target time-series data has an increasing tendency is “ Converted to a numerical pattern of “1” and converted to event numerical knowledge of “0” that is classified as occurrence of an event in which the time series data to be predicted has decreased, and none of the above events has occurred Event knowledge classified as “0.
The gist is to convert it into a numerical pattern of "5".
【００２０】本発明の時系列予測方法は、前記予測手段
として、入力層、中間層、出力層を有し、前記中間層ま
たは出力層の出力が出力層側の隣接層以外に、その層よ
りも入力層側に存在する層または自己自身の層に対して
も出力されるリカレント型ニューラルネットワークから
構成されることを要旨とする。The time-series prediction method of the present invention has, as the prediction means, an input layer, an intermediate layer, and an output layer, and the output of the intermediate layer or the output layer is from a layer other than the adjacent layer on the output layer side The gist is that it is composed of a recurrent neural network that outputs to the layer existing on the input layer side or to its own layer.
【００２１】[0021]
【作用】本発明の時系列予測方法では、時系列データの
過去および現在のデータを予測手段に入力することに加
えて、時系列データの将来に影響を及ぼす要因を複数の
イベント知識に分類し、この分類されたイベント知識を
パターン化し、このパターン化されたイベント知識の過
去および現在のパターンを予測手段に入力している。According to the time-series prediction method of the present invention, in addition to inputting past and present data of time-series data to the prediction means, factors affecting the future of the time-series data are classified into a plurality of event knowledge. , The classified event knowledge is patterned, and the past and present patterns of the patterned event knowledge are input to the prediction means.
【００２２】また、本発明の時系列予測方法では、外的
要因を「予測対象時系列データが増加傾向となる事象が
発生した」、「予測対象時系列データが減少傾向となる
事象が発生した」、「いずれの事象も発生していない」
という３つのイベント知識に分類している。Further, in the time series prediction method of the present invention, the external factors are "the event that the prediction target time series data tends to increase" and "the event that the prediction target time series data tends to decrease" occur. ”,“ Neither event has occurred ”
It is classified into three event knowledge.
【００２３】更に、本発明の時系列予測方法では、増加
傾向となるイベント知識を「１」、減少傾向となるイベ
ント知識を「０」、イベント知識なしを「０．５」とい
う数値パターンに変換している。Further, in the time-series prediction method of the present invention, the event knowledge having an increasing tendency is converted into a numerical pattern of "1", the event knowledge having a decreasing tendency into "0", and the event knowledge having no event knowledge is converted into a numerical pattern of "0.5". is doing.
【００２４】本発明の時系列予測方法では、予測手段は
リカレント型ニューラルネットワークで構成される。In the time series prediction method of the present invention, the prediction means is composed of a recurrent type neural network.
【００２５】[0025]
【実施例】以下、図面を用いて本発明の実施例を説明す
る。本実施例では、予測対象時系列データの将来のデー
タを予測するために、予測対象時系列データ、および該
予測対象時系列データと相関のある時系列データの過去
および現在のデータを予測手段に入力することに加え
て、将来の時系列データに影響を及ぼす外的要因も考慮
し、この外的要因を複数のイベント知識に分類し、この
分類されたイベント知識をパターン化し、このパターン
化されたイベント知識の過去および現在のパターンを予
測手段に入力している。Embodiments of the present invention will be described below with reference to the drawings. In the present embodiment, in order to predict future data of the prediction target time series data, the prediction target time series data and past and present data of the time series data correlated with the prediction target time series data are used as the prediction means. In addition to inputting, consider external factors that affect future time series data, classify these external factors into multiple event knowledge, and pattern this classified event knowledge. The past and present patterns of event knowledge are input to the prediction means.
【００２６】そして、前記外的要因は、「予測対象時系
列データが増加傾向となる事象が発生した」、「予測対
象時系列データが減少傾向となる事象が発生した」、
「いずれの事象も発生していない」という３つのイベン
ト知識に分類され、このように分類されたイベント知識
に対して、増加傾向に対応するイベント知識を「プラス
のイベント知識」と呼び、減少傾向に対応するイベント
知識を「マイナスのイベント知識」と呼ぶことにする。The external factors are "an event in which the prediction target time series data tends to increase", "an event in which the prediction target time series data tends to decrease",
The event knowledge that is classified into three event knowledge that "no event has occurred" is referred to as "plus event knowledge", and the event knowledge corresponding to the increasing tendency is classified into the decreasing tendency. The event knowledge corresponding to is called "negative event knowledge".
【００２７】また、イベント知識のパターン化では、プ
ラスのイベント知識を「１」、マイナスのイベント知識
を「０」、イベント知識なしを「０．５」という数値パ
ターンに変換している。そして、このようにパターン化
されたイベント知識を時系列データとともに予測手段に
入力している。In the event knowledge patterning, positive event knowledge is converted into a numerical pattern of "1", negative event knowledge is converted into "0", and no event knowledge is converted into a numerical pattern of "0.5". Then, the event knowledge thus patterned is input to the prediction means together with the time series data.
【００２８】なお、以下に説明する本実施例では、株価
変動の日次予測を例に取り上げて説明する。具体的に
は、予測対象時系列データをＴＯＰＩＸ（東京証券市場
の平均株価指数）とし、ＴＯＰＩＸと相関のある関連時
系列データとして、為替レート（１ドルあたりの円）、
金利、原油価格、ニューヨーク証券市場の平均株価を用
いる。In this embodiment described below, daily prediction of stock price fluctuation will be taken as an example for description. Specifically, the forecast target time series data is TOPIX (Tokyo Stock Exchange average stock index), and the related time series data correlated with TOPIX is the exchange rate (yen per dollar),
Interest rates, crude oil prices, and average stock prices on the New York stock market are used.
【００２９】ここでは、株価の変動方向に関する先験知
識として、次の３つを考える。 （１）政治が不安定になると株価は減少傾向になる。逆
に、政治が安定化すると株価は上昇傾向になる。 （２）景気の見通しが悪くなると株価は減少傾向にな
る。逆に、景気の見通しがよくなると株価は上昇傾向に
なる。 （３）国際情勢が悪化すると株価は減少傾向になる。逆
に、国際情勢が好転すると株価は上昇傾向になる。Here, the following three are considered as a priori knowledge about the fluctuation direction of stock prices. (1) When politics become unstable, stock prices tend to decrease. Conversely, when politics stabilize, stock prices tend to rise. (2) Stock prices tend to decline when the economic outlook deteriorates. Conversely, when the economic outlook improves, stock prices tend to rise. (3) Stock prices tend to decline as the international situation worsens. Conversely, if the international situation improves, stock prices will tend to rise.
【００３０】次に、毎日の新聞の一面見出しの内容と、
上記の先験知識に基づいて株価変動方向に関するイベン
ト知識を抽出する。すなわち、見出しの内容が「政治が
不安定」「景気の見通しが悪い」「国際情勢が悪化」の
いずれかに関するものであった場合にはマイナスのイベ
ント知識を抽出し、逆に、見出しの内容が「政治が安
定」「景気の見通しがよい」「国際情勢が好転」のいず
れかに関するものであった場合にはプラスのイベント知
識を抽出する。Next, the contents of the front page of the daily newspaper,
Event knowledge about the stock price fluctuation direction is extracted based on the a priori knowledge. That is, if the content of the heading is one of "political instability", "economic outlook is poor", or "international situation is worse", negative event knowledge is extracted, and conversely, the content of the heading is extracted. If is related to any of "politics is stable", "economic outlook is good", and "international situation is improving", positive event knowledge is extracted.
【００３１】例えば、「企業業績に弾み ２１％増益」
「冷戦終結 新時代を確認」という見出しからはプラス
のイベント知識を抽出し、「衆院 ２４日解散へ」とい
う見出しからはマイナスのイベント知識を抽出する。For example, “Boost business performance by 21% increase in profit”
Positive event knowledge is extracted from the heading "Confirm the new era after the end of the Cold War," and negative event knowledge is extracted from the heading "Dissolution of the Lower House on the 24th."
【００３２】本発明の実施例においては、予測手段とし
て、図１に示したリカレント型ニューラルネットワーク
を使用した場合を例に説明する。In the embodiment of the present invention, the case where the recurrent neural network shown in FIG. 1 is used as the predicting means will be described as an example.
【００３３】図３は、本発明の一実施例に係わる時系列
予測方法の作用を示すフローチャートである。以下、こ
のフローチャートを参照して、本時系列予測方法につい
て説明する。FIG. 3 is a flow chart showing the operation of the time series prediction method according to the embodiment of the present invention. The time series prediction method will be described below with reference to this flowchart.
【００３４】まず、イベント知識をパターン化する。具
体的には、用意したすべてのプラスのイベント知識には
「１」を与え、マイナスのイベント知識には「０」を与
える。イベント知識がない場合には「０．５」を与える
（ステップ１１０）。First, event knowledge is patterned. Specifically, "1" is given to all the prepared positive event knowledge, and "0" is given to the negative event knowledge. If there is no event knowledge, "0.5" is given (step 110).
【００３５】次に、時刻ｔを１とし（ステップ１２
０）、時刻ｔの５個（ＴＯＰＩＸ、為替レート、金利、
原油価格、ニューヨーク株価）の時系列データの変化分
（時刻ｔの値−時刻（ｔ−１）の値）と、ステップ１１
０で数値化したイベント知識（時刻ｔの値）を、入力層
１に入力する（ステップ１３０）。Next, the time t is set to 1 (step 12
0), 5 at time t (TOPIX, exchange rate, interest rate,
Change of time series data of crude oil price, New York stock price (value at time t-value at time (t-1)), and step 11
The event knowledge (value at time t) which is quantified by 0 is input to the input layer 1 (step 130).
【００３６】それから、時刻（ｔ＋１）のＴＯＰＩＸの
変化分（時刻（ｔ＋１）の値−時刻ｔの値）を、出力層
４に教師パターンとして与える（ステップ１４０）。そ
して、バックプロパゲーションの学習アルゴリズムに従
い、入力パターンと教師パターンの関係を学習させる
（ステップ１５０）。Then, the change of TOPIX at time (t + 1) (value at time (t + 1) -value at time t) is given to the output layer 4 as a teacher pattern (step 140). Then, the relationship between the input pattern and the teacher pattern is learned according to the learning algorithm of the back propagation (step 150).
【００３７】次に、時刻ｔを更新し（ステップ１６
０）、時刻ｔが、予め用意した学習セットの期間ｔmax
より大きくなったら、ステップ１８０に進む。時刻ｔが
ｔmax 以下のときには、ステップ１３０に戻り、ステッ
プ１５０までの動作を実行する（ステップ１７０）。Next, the time t is updated (step 16
0), the time t is the period t max of the learning set prepared in advance.
When it becomes larger, the process proceeds to step 180. When time t is t max or less, the process returns to step 130 and the operations up to step 150 are executed (step 170).
【００３８】ステップ１８０では、平均学習誤差（出力
値と実測値の差（絶対値）の平均値）が予め設定した値
ｐより小さかったら学習を停止してステップ１９０に進
む。平均学習誤差がｐ以上のときにはステップ１３０に
戻り、ステップ１６０までの動作を実行する。In step 180, if the average learning error (the average value of the difference (absolute value) between the output value and the actual measurement value) is smaller than the preset value p, the learning is stopped and the process proceeds to step 190. When the average learning error is greater than or equal to p, the process returns to step 130 and the operations up to step 160 are executed.
【００３９】そして、学習済みのニューラルネットワー
クに、時刻（ｔmax ＋１）以降の前記の５個の時系列デ
ータの変化分と、数値化したイベント知識を入力して、
１時刻先のＴＯＰＩＸの変化分を予測させる（ステップ
１９０）。Then, the learned neural network is input with the changes in the five time-series data after time (t max +1) and the digitized event knowledge,
The amount of change in TOPIX one hour ahead is predicted (step 190).
【００４０】実際に、３３０日分のデータを用いて学習
を行った後、続く７９日分のデータを用いて予測実験を
行った。その結果、リカレント型ニューラルネットワー
クを用いた場合、平均予測誤差が１５．７（従来技術で
は１６．５）、変動方向の正解率が６９．６％（従来技
術では６４．５％）となり、予測誤差、変動方向の正解
率ともに向上した。Actually, learning was performed using data for 330 days, and then a prediction experiment was performed using data for the following 79 days. As a result, when the recurrent neural network is used, the average prediction error is 15.7 (16.5 in the related art) and the correct answer rate in the fluctuation direction is 69.6% (64.5% in the related art). Both the error rate and the accuracy rate in the direction of change were improved.
【００４１】また、重回帰モデルを用いて同様の予測実
験を行った場合も、平均予測誤差が１６．５（従来技術
では１６．８）、変動方向の正解率が６５．８％（従来
技術では６２％）となり、予測誤差、変動方向の正解率
ともに向上した。Also, when the same prediction experiment is performed using the multiple regression model, the average prediction error is 16.5 (16.8 in the prior art), and the correct answer rate in the direction of fluctuation is 65.8% (the prior art). 62%), and both the prediction error and the accuracy rate in the direction of change were improved.
【００４２】なお、上記実施例では、外的要因を３つの
イベント知識に分類しているが、これに限定されるもの
でなく、任意の複数のイベント知識に分類してもよいも
のである。In the above embodiment, the external factors are classified into three event knowledge items, but the present invention is not limited to this and may be classified into arbitrary plural event knowledge items.
【００４３】また、上記実施例では、イベント知識のパ
ターン化において、各イベント知識を「１」、「０」、
「０．５」という数値に変換しているが、これに限定さ
れるものでなく、使用する関数によっては、例えば−１
〜＋１の間の数値を取るようにしてもよいものである。Further, in the above embodiment, in the event knowledge patterning, each event knowledge is set to "1", "0",
The value is converted into a numerical value of "0.5", but the value is not limited to this, and depending on the function used, for example, -1
It is also possible to take a numerical value between 1 and +1.
【００４４】[0044]
【発明の効果】以上説明したように、本発明によれば、
時系列データの過去および現在のデータを予測手段に入
力することに加えて、時系列データの将来に影響を及ぼ
す要因を複数のイベント知識に分類し、この分類された
イベント知識をパターン化し、このパターン化されたイ
ベント知識の過去および現在のパターンを予測手段に入
力して、将来の時系列データを予測しているので、従来
よりも予測能力を向上することができる。As described above, according to the present invention,
In addition to inputting past and present data of time series data into the prediction means, factors that affect the future of time series data are classified into a plurality of event knowledge, and the classified event knowledge is patterned. The past and present patterns of the event knowledge that have been patterned are input to the prediction means to predict future time series data, so that the prediction capability can be improved as compared with the past.
【図１】予測手段として使用されるリカレント型ニュー
ラルネットワークの構成を示す図である。FIG. 1 is a diagram showing a configuration of a recurrent neural network used as a prediction means.
【図２】時系列学習を行う場合の入力パターンと教師パ
ターンとの対応例を示す図である。FIG. 2 is a diagram showing an example of correspondence between input patterns and teacher patterns when performing time-series learning.
【図３】本発明の一実施例に係わる時系列予測方法の作
用を示すフローチャートである。FIG. 3 is a flowchart showing the operation of the time series prediction method according to the embodiment of the present invention.
１ 入力層 ２ 文脈層 ３ 中間層 ４ 出力層 1 Input layer 2 Context layer 3 Middle layer 4 Output layer
Claims (4)
象時系列データと相関のある時系列データの過去および
現在のデータを予測手段に入力し、前記予測対象時系列
データの将来のデータを予測する時系列予測方法であっ
て、 前記時系列データの将来に影響を及ぼす要因を複数のイ
ベント知識に分類し、 この分類されたイベント知識をパターン化し、 このパターン化されたイベント知識の過去および現在の
パターンを前記予測手段に入力することを特徴とする時
系列予測方法。1. The prediction target time series data, and past and present data of the time series data correlated with the prediction target time series data are input to a prediction means to predict future data of the prediction target time series data. A method for predicting the time series, in which factors that affect the future of the time series data are classified into a plurality of event knowledge, the classified event knowledge is patterned, and the past and present of the patterned event knowledge are classified. The time series prediction method is characterized in that the pattern is input to the prediction means.
外的要因を複数のイベント知識に分類するステップは、
前記外的要因を「予測対象時系列データが増加傾向とな
る事象が発生した」、「予測対象時系列データが減少傾
向となる事象が発生した」、「いずれの事象も発生して
いない」という３つのイベント知識に分類することを特
徴とする請求項１記載の時系列予測方法。2. The step of classifying an external factor affecting the future of the time series data into a plurality of event knowledge,
The external factors are referred to as "an event in which the prediction target time series data tends to increase", "an event in which the prediction target time series data tends to decrease", and "none of the events occur". The time-series prediction method according to claim 1, wherein the event knowledge is classified into three event knowledges.
化するステップは、前記予測対象時系列データが増加傾
向となる事象が発生したと分類されるイベント知識を
「１」という数値パターンに変換し、前記予測対象時系
列データが減少傾向となる事象が発生したと分類される
イベント知識を「０」という数値パターンに変換し、前
記いずれの事象も発生していないと分類されたイベント
知識を「０．５」という数値パターンに変換することを
特徴とする請求項２記載の時系列予測方法。3. The step of patternizing the classified event knowledge converts event knowledge classified as an event in which the prediction target time series data has an increasing tendency into a numerical pattern of “1”, The event knowledge classified as the occurrence of an event in which the prediction target time-series data has a decreasing tendency is converted into a numerical pattern of “0”, and the event knowledge classified as the occurrence of none of the events is “0”. The time series prediction method according to claim 2, wherein the time series prediction method comprises converting into a numerical pattern of ".5".
層を有し、前記中間層または出力層の出力が出力層側の
隣接層以外に、その層よりも入力層側に存在する層また
は自己自身の層に対しても出力されるリカレント型ニュ
ーラルネットワークから構成されることを特徴とする請
求項１記載の時系列予測方法。4. The predicting means has an input layer, an intermediate layer, and an output layer, and the output of the intermediate layer or the output layer is present on the input layer side of the layer other than the adjacent layer on the output layer side. 2. The time series prediction method according to claim 1, wherein the time series prediction method comprises a recurrent neural network that is output to a layer or its own layer.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2391794A JPH07234895A (en) | 1994-02-22 | 1994-02-22 | Time series forcasting method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2391794A JPH07234895A (en) | 1994-02-22 | 1994-02-22 | Time series forcasting method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07234895A true JPH07234895A (en) | 1995-09-05 |
Family
ID=12123859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2391794A Pending JPH07234895A (en) | 1994-02-22 | 1994-02-22 | Time series forcasting method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07234895A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011221693A (en) * | 2010-04-07 | 2011-11-04 | Nippon Telegr & Teleph Corp <Ntt> | Method, apparatus and program for detecting change in geographical attribute |
| JP6812034B1 (en) * | 2020-02-01 | 2021-01-13 | Ａｓｓｅｓｔ株式会社 | Forex trading information display program |
| CN112289442A (en) * | 2018-10-29 | 2021-01-29 | 南京医基云医疗数据研究院有限公司 | Method and device for predicting disease endpoint event and electronic equipment |
| CN112348269A (en) * | 2020-11-11 | 2021-02-09 | 北京航空航天大学 | Time series prediction modeling method of fusion graph structure |
-
1994
- 1994-02-22 JP JP2391794A patent/JPH07234895A/en active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011221693A (en) * | 2010-04-07 | 2011-11-04 | Nippon Telegr & Teleph Corp <Ntt> | Method, apparatus and program for detecting change in geographical attribute |
| CN112289442A (en) * | 2018-10-29 | 2021-01-29 | 南京医基云医疗数据研究院有限公司 | Method and device for predicting disease endpoint event and electronic equipment |
| CN112289442B (en) * | 2018-10-29 | 2024-05-03 | 南京医基云医疗数据研究院有限公司 | Method and device for predicting disease end point event and electronic equipment |
| JP6812034B1 (en) * | 2020-02-01 | 2021-01-13 | Ａｓｓｅｓｔ株式会社 | Forex trading information display program |
| WO2021153547A1 (en) * | 2020-02-01 | 2021-08-05 | Ａｓｓｅｓｔ株式会社 | Exchange transaction information display program |
| JP2021124800A (en) * | 2020-02-01 | 2021-08-30 | Ａｓｓｅｓｔ株式会社 | Exchange transaction information display program |
| CN112348269A (en) * | 2020-11-11 | 2021-02-09 | 北京航空航天大学 | Time series prediction modeling method of fusion graph structure |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models | |
| Youn et al. | Predicting Korean lodging firm failures: An artificial neural network model along with a logistic regression model | |
| Oh et al. | Analyzing stock market tick data using piecewise nonlinear model | |
| Hamilton et al. | A model of the federal funds rate target | |
| Amjady et al. | A new prediction strategy for price spike forecasting of day-ahead electricity markets | |
| Camacho et al. | This is what the leading indicators lead | |
| JPH05342191A (en) | System for predicting and analyzing economic time sequential data | |
| Kumar et al. | A novel hybrid model combining βSARMA and LSTM for time series forecasting | |
| Zhou et al. | Performance evaluation and prediction of the integrated circuit industry in China: A hybrid method | |
| Kakade et al. | Forecasting Commodity Market Returns Volatility: A Hybrid Ensemble Learning GARCH‐LSTM based Approach | |
| Zhou et al. | A study on the transmission of trade behavior of global nickel products from the perspective of the industrial chain | |
| Kristanti et al. | Are Indonesian construction companies financially distressed? A prediction using artificial neural networks | |
| Babikir et al. | Factor augmented artificial neural network model | |
| JPH07234895A (en) | Time series forcasting method | |
| Lee et al. | Currency exchange rate prediction with long short-term memory networks based on attention and news sentiment analysis | |
| Nguyen et al. | RDP 2020-08: Start Spreading the News: News Sentiment and Economic Activity in Australia | |
| CN116341752A (en) | Collaborative supply chain prediction method based on graph neural network | |
| JPH0895949A (en) | Device for predicting time sequential data | |
| Hu et al. | Retail default prediction by using sequential minimal optimization technique | |
| Asati | A Comparative Study On Forecasting Consumer Price Index Of India Amongst XGBoost, Theta, ARIMA, Prophet And LSTM Algorithms. | |
| JPH04373069A (en) | Bill price predicting device | |
| Liu et al. | China stock market regimes prediction with artificial neural network and markov regime switching | |
| He et al. | Can tax incentives foresee the restructuring performance of tourism firms?-An event-driven forecasting study | |
| Kirn et al. | The Projected Development of the Gender Pension Gap in Switzerland: Introducing MIDAS_CH | |
| Kent et al. | Time-Varying Skewness and Real Business Cycles |