生体の断層イメージを測定する核磁気共鳴のシグナルやBelousov-Zhabotinsky反応 (BZ) などの振動反応の酸化還元ポテンシャルは、振幅と周期が時間とともに変化していく時系列データである。しかし、従来の統計的手法では振幅変化及び周期変化を同時に追うことは困難であり、その予測は難しかった。そこで本研究では、時間とともに振幅と周期が同時に変化する時系列データの予測を行うために、ニューラルネットワークからなるモデルを構築した。このモデルは、振幅変化及び周期変化の予測を行うための2つのニューラルネットワークと、それらを統括する一つのニューラルネットワークからなる。
本モデルを用いて4種類のモデル関数による数値実験を行い、最小自乗法を用いた際の結果と比較したところ、学習区間においては最小自乗法の方が高い傾向があるが、予測区間においては本モデルの方が精度が高いことがわかった。特に振幅変化の予測では本モデルの方が高い精度を得ることができることがわかった。
