新しい人工ニューラルネットワークとグレイウルフ最適化アルゴリズムに基づく混合次数単変量直観的ファジィ時系列予測法

日常データにとってこの予測手法が重要な理由

暗号通貨の価格からガソリン満タンの費用や金の購入価格まで、金融指標は予測が難しい形で上下します。本研究は、人間のような疑念の度合いを混ぜ込み、実神経細胞の枝分かれを模した高度なタイプのニューラルネットワークを用いることで、昨日のノイズ混じりの価格曲線をより良い翌日の推定に変える新しい方法を提示します。

人間に近い形で不確実性を扱う

多くの予測ツールは各データ点をパターンに「属する」か「属さない」かのどちらかで扱い、まるでスイッチのオン・オフのように振る舞います。ファジィ時系列法はこの見方を和らげ、データが複数のパターンに「部分的に」当てはまることを許します。本論文のアプローチはさらに一歩進め、データ点がパターンに当てはまらない度合いや、残るためらいの度合いも追跡します。このより豊かな記述（直観的ファジィ時系列と呼ばれる）は、部分的一致だけでなく、明示的な不一致や値がどこに属するかについての残存不確実性をモデルに表現させます。

データの二つの見方を共に学習させる

著者らは、所属度と非所属度という情報を同じ時系列の二つの並列ビューとして扱う予測モデルを設計しました。まずクラスタリング手順で過去データをファジィ領域に分け、各点に三つのスコアを割り当てます：どれだけ属するか、どれだけ属さないか、そしてどれだけ不確かか。これらのスコアは、生の過去値とともに特殊なニューラルネットワークに入力されます。ネットワークの一部は所属情報に注力し、別の部分は非所属情報に注力します。各部分は独自の内部関係を学習し、次の値のそれぞれの予測を生成します。

枝分かれするニューロンの形をしたニューラルネットワーク

標準的な層状ネットワークを使う代わりに、この方法は生物学的ニューロンの枝分かれ構造を模した樹状性（デンドリティック）ニューロンモデルに依拠します。信号はまずシナプス層を通り、次に樹状枝に沿って乗算され、膜層で加算され、最終的にソーマ層で出力に変換されます。提案された結合設計では、所属入力と非所属入力それぞれに別個の樹状経路が存在します。これらの出力は、システムが自動で学習する重みでブレンドされます。この構造により、モデルはデータ内の複雑な相互作用をとらえつつ、全体のアーキテクチャをコンパクトに保てます。

グレイウルフがネットワークの多くのつまみを調整する

このような詳細なネットワークを訓練するには、多数の内部重みやしきい値を調整する必要があります。通常の勾配ベースの学習は局所的な悪い解に陥ることがあるため、著者らは自然に着想を得た戦略であるグレイウルフ最適化アルゴリズムを採用します。ここでは仮想の「オオカミ」たちがネットワークパラメータの異なる設定を探索し、実際の群れの狩り方を模した階層構造に導かれます。時間が経つにつれて、群れは予測誤差を最小化するパラメータ値、特に所属枝と非所属枝のバランスを見つけ出します。

主要な金融時系列でのより良い予測

研究チームは本手法をビットコイン、原油、米ドルに対するユーロ、金価格の4つの代表的な金融時系列で試験しました。各データセットを訓練、検証、テストに分割し、既存の複数のファジィおよび直観的ファジィ予測モデルと比較しています。これらのケース全般で、新手法はしばしば平均予測誤差が最小となり、首位でない場合でも最良競合モデルに非常に近い結果を示しました。所属と非所属の両方から学習させ、デンドリティック型ネットワークをグレイウルフで調整することが、より正確で安定した予測をもたらす可能性を示唆しています。

今後の予測ツールにとっての意義

簡単に言えば、本論文は不確実性をより慎重に扱い、生物学に触発されたより豊かな構造をニューラルネットワークに与えることで、実世界の金融データの短期予測を改善できることを示しています。手法は依然として単変量（1つの変数）に焦点を当てていますが、単一の鋭い線ではなく複数の信念と疑念の階調を使う予測システムへの道を示しています。さらなる拡張により、同様の考え方は不確実な時間依存データが重要な役割を果たすあらゆる領域で、分析者や自動化システムのより情報に基づく意思決定を支援する可能性があります。

引用: Cansu, T., Bas, E. & Egrioglu, E. Mixed order single variable intuitionistic fuzzy time series forecasting method based on a new artificial neural network and grey wolf optimization algorithm. Sci Rep 16, 15682 (2026). https://doi.org/10.1038/s41598-026-45059-2

キーワード: 金融予測, ファジィ時系列, 人工ニューラルネットワーク, グレイウルフ最適化, 直観的ファジィ集合