また、この問題で有名な課題MNIST(Mixed National Institute of Standards and Technology database)で、歴代22位に該当する評価誤差0.37%という値を達成するなど、様々なAI技術を開発しています。下記画像が評価ミスしたMNIST画像です(1万枚中の40枚)。MNISTの応用例の詳細は、画像分類 - MNISTで予測精度を試すのページをご覧ください。
季節性を含む時系列データとして良く知られる航空機乗客数の変化の時系列データを用いて、AI解析技術であるLSTM(Long Short Term Memory)モデル、統計解析手法であるARモデルやSARIMAモデルにより、12ヶ月先の乗客数の予測を行い、どのモデルも良好な予測結果が得られることを示しています。LSTMモデルの長所は多次元のデータが扱える点であり、短所は多数の実測値が必要であるという点です。この例の詳細は、時系列データの未来予測 - 航空機乗客数の予測のページをご覧ください。
LSTMモデルによる乗客数予測結果
ARモデルによる乗客数予測結果
SARIMAモデルによる乗客数予測結果
時系列データの未来予測 - 気温予測
前項ではLSTM(Long Short Term Memory)モデルが、ARモデルやSARIMAモデルと同等の未来予測性能があることを紹介しました。ここでは、気象庁が公開している気温、風速、風向、天候などの情報を用いて東京の気温予測を行い、多次元の時系列情報を含む未来予測において、時系列解析技術としてよく引用されているLSTMモデルによる予測の二乗平均平方根誤差(RMSE)が2.42℃であったのに対して、シンプルな一次元CNNモデルによる予測のRMSEが2.25℃であり、必ずしもLSTMモデルによる予測が優れている訳ではないことを報告しています。