Time series forecasting is an important type of quantitative model used to predict future values given a series of past observations for which the generation process is unknown. Two of the most well‐known methods for the modeling of linear time series are the autoregressive integrated moving average (ARIMA) and the autoregressive fractionally integrated moving average (ARFIMA). For different datasets, the number of past observations necessary for an accurate prediction may vary. Short and long memory dependency problems require different handling, with the ARIMA model being limited to the first, while the ARFIMA model was specifically developed for the latter. Preprocessing techniques and modification on specific components of these models are common approaches used to tackle the memory dependency problem in order to improve their accuracy. However, such solutions are specific to certain datasets. This paper proposes a new method that combines the short and long memory characteristics of the two aforementioned models in order to keep a low accumulative error in several different scenarios. Twelve public time series datasets were used to compare the performance of the proposed method with the original models. The results were also compared with two alternative methods from the literature used to deal with datasets of different memory dependencies. The new approach presented a lower error for the majority of the experiments, failing only for the datasets that contain a large number of features. © 2020 Institute of Electrical Engineers of Japan. Published by Wiley Periodicals LLC.

中文翻译：

---

线性时间序列预测的组合方法

时间序列预测是定量模型的一种重要类型，在给定一系列过去的观测结果（未知其生成过程）的情况下，该模型可用于预测未来值。线性时间序列建模的两种最著名的方法是自回归积分移动平均值（ARIMA）和自回归分数积分移动平均值（ARFIMA）。对于不同的数据集，准确预测所需的过去观察次数可能会有所不同。短时和长时内存依赖问题需要不同的处理方式，ARIMA模型仅限于第一种，而ARFIMA模型是专门为后者开发的。预处理技术和对这些模型的特定组件的修改是用于解决内存依赖问题以提高其准确性的常用方法。但是，此类解决方案特定于某些数据集。本文提出了一种新的方法，该方法结合了上述两个模型的短时存储特性和长时存储特性，以在几种不同的情况下保持较低的累积误差。使用十二个公共时间序列数据集来比较该方法与原始模型的性能。还将结果与文献中用于处理不同内存相关性数据集的两种替代方法进行了比较。对于大多数实验而言，新方法的误差较小，仅对包含大量特征的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。本文提出了一种新的方法，该方法结合了上述两个模型的短时存储特性和长时存储特性，以在几种不同的情况下保持较低的累积误差。使用十二个公共时间序列数据集来比较该方法与原始模型的性能。还将结果与文献中用于处理不同内存相关性数据集的两种替代方法进行了比较。对于大多数实验而言，新方法的误差较小，仅对包含大量特征的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。本文提出了一种新的方法，该方法结合了上述两个模型的短时存储特性和长时存储特性，以在几种不同的情况下保持较低的累积误差。使用十二个公共时间序列数据集来比较该方法与原始模型的性能。还将结果与文献中用于处理不同内存相关性数据集的两种替代方法进行了比较。对于大多数实验而言，新方法的误差较小，仅对包含大量特征的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。使用十二个公共时间序列数据集来比较该方法与原始模型的性能。还将结果与文献中用于处理不同内存相关性数据集的两种替代方法进行了比较。对于大多数实验而言，新方法的误差较小，仅对包含大量特征的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。使用十二个公共时间序列数据集来比较该方法与原始模型的性能。还将结果与文献中用于处理不同内存相关性数据集的两种替代方法进行了比较。对于大多数实验而言，新方法的误差较小，仅对包含大量特征的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。仅针对包含大量要素的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。仅针对包含大量要素的数据集失败。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。