非時系列データを含む時系列予測問題のための Long Short-Term Memoryモデル

カテゴリ: 部門大会

論文No: GS5-3

グループ名: 【C】2019年電気学会電子・情報・システム部門大会プログラム

発行日: 2019/08/28

タイトル(英語): Long Short-Term Memory model for time series prediction problem including non-time series data

著者名: 羽田 達佳(千葉大学),中間 公啓(千葉大学),岡本 卓(SENSY),小圷 成一(千葉大学),下馬場 朋禄(千葉大学),伊藤 智義(千葉大学)

著者名(英語): Tatsuyoshi Haneda|Kimihiro Nakama|Takashi Okamoto|Seiichi Koakutsu|Tomoyoshi Shimobaba|Tomoyoshi Ito

キーワード: 機械学習|ニューラルネットワーク|Long Short-Term Memory|ディープラーニング|時系列予測|Machine Learning|Neural Network|Long Short-Term Memory|Deep Learning|Time series prediction

要約(日本語): 時系列予測問題とは，連続的に時間順に並べられたデータから将来の値を予測するタスクであり，製品売上予測や，サービス需要予測などがこれに該当する。時系列予測に適した手法の一つとして，Long Short-Term Memory（LSTM）が提案されている。LSTMは，3個のゲートとメモリセルを備えることで，長期の時間依存の学習が可能である。一般に，LSTMの入力には時系列データのみが用いられるため，LSTMで非時系列データを含む時系列予測問題を扱うと，予測性能が低下するという問題点がある。そこで，本研究では非時系列データを含む時系列予測問題のためのLSTMモデルを提案する。提案手法では非時系列データを用いることで，時系列データのみを用いる場合よりも，高精度な予測が期待できる。提案手法を，非時系列データを含む時系列予測問題に応用し，その有効性を検証する。

PDFファイルサイズ: 511 Kバイト