Deep learning for time series forecasting and nowcasting
Een verkenning van het gebruik van deep learning-technieken voor het voorspellen en nowcasten van tijdreeksen in officiële statistiek, als alternatief voor het gebruik van klassieke tijdreeksmodellen.
We vergelijken verschillende neurale netwerkalgoritmen, identificeren de belangrijkste verschillen met klassieke tijdreeksmethoden en bepalen in welke situaties we voordeel kunnen hebben van deze algoritmen. In een empirisch onderzoek worden de methoden toegepast op meerdere tijdreeksen. We vinden dat neurale netwerkalgoritmen een vergelijkbare nauwkeurigheid van voorspellingen en nowcasts kunnen opleveren als klassieke methoden voor univariate tijdreeksen, maar dat het enige inspanning vergt om dit te bereiken. Wanneer toegepast op een uitdagender probleem met verschillende hulpvariabelen en een meer volatiele reeks, gaf het Long Short-Term Memory model in ons geval nauwkeurige resultaten. Dit leidt tot de conclusie dat deep learning een meerwaarde kan bieden ten opzichte van klassieke methoden voor specifieke problemen, maar dat er meer onderzoek nodig is.
