この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。(このテンプレートの使い方)
出典検索?: "時系列"
時系列(じけいれつ、英: time series)とは、ある現象の時間的な変化を、連続的に(または一定間隔をおいて不連続に)観測して得られた値の系列[1](一連の値)のこと。例えば、統計学や信号処理で時間経過に従って計測されるデータ列であり、(通常、一定の)ある時間間隔で測定される。均一間隔では無い場合は点過程と呼ぶ。 時系列解析や時系列分析はそのような時系列を解釈するための手法であり、データ列の背後にある理論(なぜそのような時系列になったのか?)を見出すか、予測を行うためのものである。時系列予測は、既知の過去の事象に基づいて将来のモデルを構築し、将来ありうべきデータポイントを測定前に予測することである。例えば、株式の過去の価格推移から将来の価格を予測することなどが挙げられる。 時系列分析では以下のような記述も使われる: X = { X 1 , X 2 , … } {\displaystyle X=\{X_{1},X_{2},\dots \}} これは自然数でインデックスされた時系列 X を表している。 時系列データのモデルには様々な形式がある。古典的に有名な線形モデルとしては、自己回帰移動平均モデル(ARMA)があり、これは自己回帰モデル(autoregressive; AR)と移動平均モデル(moving average; MA)を組み合わせたものである。更に、和分モデル(integrated; I)を組み合わせた自己回帰和分移動平均モデル(ARIMA)がある。これらは過去のデータ列およびノイズに線形に依存している。過去のデータへの非線形な依存は、カオス的時系列を生む可能性があり、興味深い。 状態空間モデルとは、状態(観測不可能)を x t {\displaystyle x_{t}} 、観測値(観測可能)を y t {\displaystyle y_{t}} 、システムノイズ(状態遷移のノイズ)を v t {\displaystyle v_{t}} 、観測ノイズを w t {\displaystyle w_{t}} として、以下で時系列 y t {\displaystyle y_{t}} を表現するモデル。[2][3] x t = f t ( x t − 1 , v t ) y t = h t ( x t , w t ) {\displaystyle {\begin{aligned}x_{t}&=f_{t}(x_{t-1},v_{t})\\y_{t}&=h_{t}(x_{t},w_{t})\end{aligned}}} このモデルは粒子フィルタ(モンテカルロ法)を用いて、状態 x t {\displaystyle x_{t}} の確率分布を求めることが出来る。
概略
表記
線形モデル
状態空間モデル「状態空間 (制御理論)」も参照
Size:35 KB
出典: フリー百科事典『ウィキペディア(Wikipedia)』
担当:undef