A Hybrid Model Based on Fourier-ARIMA and LSTM for Seasonal Time Series Forecasting

Abstract

This study proposes a hybrid model combining Fourier autoregressive integrated moving average (Fourier-ARIMA) and long short term memory (LSTM) neural network for forecasting seasonal time series. ARIMA is a linear forecasting model based on past observations and random shocks. The prediction accuracy of ARIMA model for seasonal data can be enhanced by adding external regressors in the form of Fourier terms. Meanwhile, neural networks such as LSTM are powerful tools to capture the nonlinear dependencies in time series. Because real world data is generally mixed with linear and nonlinear patterns, forecasting real world data using each model is a particularly difficult task. In this thesis, a hybrid methodology combining the forecasts from Fourier-ARIMA and LSTM by weight is proposed. The experimental results show that the hybrid model provides a promising alternative to separate Fourier-ARIMA model or LSTM model.;본 연구는 시계열 예측을 위해 Fourier-ARIMA 모델과 LSTM 신경망을 결합한 하이브리드 모델을 제안한다. ARIMA는 과거 관측치와 예측 오차에 기초한 선형 예측 모델이다. ARIMA 모델의 예측 정확도는 푸리에 항을 이에 추가함으로써 개선될 수 있다. 한편 LSTM과 같은 신경망은 시계열의 비선형 의존성을 포착하는 강력한 도구다. 일반적으로 실제 데이터는 선형 및 비선형 패턴이 결합되어 나타나기 때문에, 각 모델을 사용하여 실제 데이터를 예측하는 것은 특히 어려운 작업이다. 본 논문에서는 Fourier-ARIMA와 LSTM 모델을 가중치를 두어 결합하는 하이브리드 방법론을 제안한다. 실험 결과는 하이브리드 모델이 시계열 예측에 대한 유망한 대안을 제공한다는 것을 보여준다.