Image-Based Learning Approach Applied to Time Series Forecasting

 

K. Ramírez-Amáro^{1 2}, J. C. Chimal-Eguía*²

 

¹ Technische Universitát München, Department of Computer Science Informatik 9, Boltzmannstrasse 385748 Garching, Germany. *E-mail: mescobar@ing.uc3m.es

² Centro de Investigación en Computación, CIC-IPN, Av. Juan de Dios Bátiz s/n esq. Miguel Othón de Mendizabal, col. San Pedro Zacatenco, C. P. 07738, México D. F., México. *E-mail: jchimale@gmail.com

 

ABSTRACT

In this paper, a new learning approach based on time-series image information is presented. In order to implement this new learning technique, a novel time-series input data representation is also defined. This input data representation is based on information obtained by image axis division into boxes. The difference between this new input data representation and the classical is that this technique is not time-dependent. This new information is implemented in the new Image-Based Learning Approach (IBLA) and by means of a probabilistic mechanism this learning technique is applied to the interesting problem of time series forecasting. The experimental results indicate that by using the methodology proposed in this article, it is possible to obtain better results than with the classical techniques such as artificial neuronal networks and support vector machines.

Keywords: Time series, Imaged based learning approach (IBLA), data representation, Forecasting.

 

RESUMEN

En este trabajo se presenta un nuevo enfoque para obtener información de una serie de tiempo. Para implementar esta nueva técnica, se ha definido una nueva representación de los datos de entrada de una serie de tiempo. Esta nueva representación está basada en la información obtenida mediante la división del eje de la imagen de la serie de tiempo en cajas. La diferencia entre esta nueva técnica de representación de datos y la forma clásica, se basa en que no es dependiente del tiempo. La nueva representación se ha implementado en una nueva técnica denominada Técnica de Aprendizaje Basada en la Imagen (IBLA por su siglas en inglés) y por medio de un mecanismo probabilístico, esta técnica se aplica al muy interesante problema de predicción en una serie de tiempo. Los resultados experimentales indican que usando esta metodología es posible obtener mejores resultados que los obtenidos por medio de Redes Neuronales Artificiales y Máquinas de Soporte Vectorial.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

References

[1] Armstrong J. & Fildes R. (2006). Making Progress in Forecasting. International Journal of Forecasting, 22, 433-441.         [ Links ]

[2] Box, G.E.P. & Jenkins, G.M. (1970). Time Series Analysis, Forecasting and Control. San Francisco: Holden-Day (revised edn., 1976).         [ Links ]

[3] Bautista-Thompson, E., Guzman-Ramirez & Figueroa-Nazuno J. (2004). Predicción de Múltiples Puntos de Series de Tiempo Utilizando Support Vector Machines. Computación y Sistemas, 7(3), 148-155, ISSN 1405-5546.         [ Links ]

[4] Chatfield C. (2000). Time Series Forecasting. United Kingdom: Chapman & Hall/crc, ISBN: 1-58488-063-5.         [ Links ]

[5] Cristianini N. and Shawe-Taylor J. (2001). An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge: Cambridge University Press. ISBN-10: 0521 780195.         [ Links ]

[6] De Gooijer J. G., Hyndman R.J. (2006). 25 Years of Time Series Forecasting. International Journal of Forecasting, 22, 443-473.         [ Links ]

[7] Haykin S. (1999). Neural Networks: a Comprehensive Foundation. Prentice Hall Press. ISBN: 0-13-273350-1.         [ Links ]

[8] Kantz, H. & Schreiber, T. (1997). Nonlinear Time Series Analysis. Cambridge: Cambridge University Press.         [ Links ]

[9] Landassuri-Moreno V. M.: Predicción de Series de Tiempo con Descomposición Empírica en Modos, Algoritmo Genético y Redes Neuronales Artificiales. México, D.F. Centro de Investigación en Computación (CIC-IPN). Maestría en Ciencias de la Computación.         [ Links ]

[10] Michie, D. (1963). Experiments on the mechanization of game-learning Part I. Characterization of the model and its parameters. Computer Journal, 6, pp. 232-236.         [ Links ]

[11] Michie, D. & Chambers, R. A. (1968). Boxes: An Experiment in Adaptive Control, eds. E. Dale and D. Michie. Machine Intelligence 2, pp. 125-133.         [ Links ]

[12] Mitchell T. (1997). Machine Learning. Mc Graw Hill Education. ISBN-10: 007154671.         [ Links ]

[13] McCulloch, W. & Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, 7, 115 -133.         [ Links ]

[14] Newell A., Shaw J.C. & Simon H.A. (1960). A Variety of Intelligent Learning, eds. Marshall C., Yovits and Scott Cameron. London: Pergamon: in a general problem solver in Self-organizing Systems, pp. 153-189.         [ Links ]

[15] Ott E. (2000). Chaos in Dynamical Systems. Cambridge University Press, Cambridge.         [ Links ]

[16] Paliouras G., Karkaletsis V. and Spyropoulos C. D. (Eds.) (2001). Machine Learning and Its Applications, Advanced Lectures. Lecture Notes in Computer Science 2049 Springer 2001, ISBN 3-540-42490-3        [ Links ]

[17] Ramírez-Amáro K. (2007). Técnica de Aprendizaje de Series de Tiempo Estacionarias a partir de la Información de su Imagen. México, D.F. Centro de Investigación en Computación (CIC-IPN). Maestría en Ciencias de la Computación.         [ Links ]

[18] Ramírez-Amáro K. & Chimal-Eguía J.C. (2007). New Approach to Time Series Tracking. 27th International Symposium on Forecasting, New York City, USA.         [ Links ]

[19] Ramírez-Amáro, K. & Figueroa-Nazuno, J.G. (2006). Empleo de la Técnica Mapa Recurrente en el Análisis de los Indices de Teleconexión Atmosféricos. México, D.F. Centro de Investigación en Computación, I.P.N. Reporte Técnico. ISBN: 97 0-36-0330-0.         [ Links ]

[20] Ramírez-Amáro K., Ortega-González V. and Figueroa-Nazuno J. (2006). "Automatic Generation of Hypotheses Using the GUHA Method". Data Mining and Information Systems. Research in Computing Science 22, pp. 31-41. ISSN: 1870-4069.         [ Links ]

[21] Ruping S. (2000). mySVM-Manual. University of Dortmund, Lehrstuhl Informatik 8, http://www-ai.cs.unidortmund.de/SOFTWARE/MYSVM/.         [ Links ]

[22] Ruping S.(2001). SVM Kernels for Time Series Analysis. En Klinkenberg R. and S. Ruping, A. Fick, N. Henze, C. Herzog, R. Molitor y O. Schroder, editores, LLWA 01 - Tagungsband der Gl-Workshop-Woche Lernen - Lehren - Wissen - Adaptivität in series Forschungsberichte des Fachbereichs Informatik der Universif at Dortmund, pp. 43-50.         [ Links ]

[23] Simon H. A. (1983). Why Should Machines Learn? In R. Michalski, J. Carbonell, and T. Mitchell, editors, Machine Learning: An Artificial Intelligence Approach, pp. 25-38. Tioga, Palo Alto, CA.         [ Links ]

[24] Vapnik V. (1998). Statistical Learning Theory, John Wiley & Sons, New York.         [ Links ]

[25] Witten I. H. and Frank Eibe (2005). Data Mining: Practical machine learning tools and techniques. Second edition, editor: Morgan Kaufmann. ISBN-10: 0120884070.         [ Links ]

[26] Woods, W.A. (1986). Important issues in knowledge representation, Proceedings of the Institute of Electrical and Electronics Engineers, vol. 74, pp. 1322-1334.         [ Links ]