大規模データストリームの将来予測アルゴリズム

• Item type: Trans(1)
• 公開日: 2016-12-22
• タイトル: 大規模データストリームの将来予測アルゴリズム
• タイトル / 言語: en
• タイトル: Real-time Forecasting of Co-evolving Time Sequences
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [研究論文] 時系列データストリーム，非線形動的システム，将来予測
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 熊本大学大学院先端科学研究部／現在，国立研究開発法人科学技術振興機構，さきがけ
• 著者所属: 熊本大学大学院先端科学研究部
• 著者所属(英): en
• 著者所属(英): Faculty of Advanced Science and Technology, Kumamoto University / Presently with JST, PRESTO
• 著者所属(英): en
• 著者所属(英): Faculty of Advanced Science and Technology, Kumamoto University
• 著者名: 松原, 靖子; 櫻井, 保志
• 著者名(英): Yasuko, Matsubara; Yasushi, Sakurai
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，大規模時系列データストリームのための高速予測手法であるREGIMECASTについて述べる．REGIMECASTは，センサデータやWebのアクセス履歴等，様々な時系列パターンから構成される大規模データストリームが与えられたとき，それらの中から重要な特徴や潜在的なトレンドを発見し，長期的かつ継続的に将来のイベント予測を行う．より具体的には，本研究では，自然界の生態系モデルにおけるレジームシフトの概念を拡張し，時系列イベントデータを適応型非線形動的システムとして表現することで，複雑な時系列パターンを柔軟に表現する．提案手法は(a)大規模データストリームの中から，重要な特徴を発見し，(b)刻々と変化していく潜在的な時系列パターン（すなわち，レジーム）を自動的かつ高速に認識することで，長期的なイベント予測を実現する．ここで，提案手法は(c)データストリームの長さに依存せず，(d)各時刻において，最適なイベント予測値を推定する．実データを用いた実験では，REGIMECASTが様々な時系列データストリームの中から特徴的なパターンを発見し長期的な予測を行うことを確認し，さらに，最新の既存手法と比較し大幅な精度，性能向上を達成していることを明らかにした．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Given a large, online stream of multiple co-evolving event sequences, such as sensor data and Web-click logs, that contains various types of non-linear dynamic evolving patterns of different durations, how can we efficiently and effectively capture important patterns? How do we go about forecasting long-term future events? In this paper, we present REGIMECAST, an efficient and effective method for forecasting co-evolving data streams. REGIMECAST is designed as an adaptive non-linear dynamical system, which is inspired by the concept of “regime shifts” in natural dynamical systems. Our method has the following properties: (a) Effective: it operates on large data streams, captures important patterns and performs long-term forecasting; (b) Adaptive: it automatically and incrementally recognizes the latent trends and dynamic evolution patterns (i.e., regimes) that are unknown in advance; (c) Scalable: it is fast and the computation cost does not depend on the length of data streams; (d) Any-time: it provides a response at any time and generates long-range future events. Extensive experiments on real datasets demonstrate that REGIMECAST does indeed make long-range forecasts, and it outperforms state-of-the-art competitors as regards accuracy and speed.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464847
• 書誌情報: 情報処理学会論文誌データベース（TOD）; 巻 9, 号 4, p. 32-45, 発行日 2016-12-22
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7799
• 出版者 / 言語: ja
• 出版者: 情報処理学会