Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
時系列分析 ハンズオン
Search
NearMeの技術発表資料です
PRO
December 23, 2022
Research
0
160
時系列分析 ハンズオン
NearMeの技術発表資料です
PRO
December 23, 2022
Tweet
Share
More Decks by NearMeの技術発表資料です
See All by NearMeの技術発表資料です
希望休勤務を考慮したシフト作成
nearme_tech
PRO
0
20
Hub Labeling による高速経路探索
nearme_tech
PRO
0
54
Build an AI agent with Mastra
nearme_tech
PRO
0
68
Rustで強化学習アルゴリズムを実装する vol3
nearme_tech
PRO
0
33
Webアプリケーションにおけるクラスの設計再入門
nearme_tech
PRO
1
74
AIエージェント for 予約フォーム
nearme_tech
PRO
2
140
ULID生成速度を40倍にしたった
nearme_tech
PRO
2
51
Amazon AuroraとMongoDBの アーキテクチャを比較してみたら 結構違った件について
nearme_tech
PRO
0
25
GitHub Custom Actionのレシピ
nearme_tech
PRO
0
16
Other Decks in Research
See All in Research
利用シーンを意識した推薦システム〜SpotifyとAmazonの事例から〜
kuri8ive
1
200
Google Agent Development Kit (ADK) 入門 🚀
mickey_kubo
2
1k
CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations
satai
3
210
プロシェアリング白書2025_PROSHARING_REPORT_2025
circulation
1
840
実行環境に中立なWebAssemblyライブマイグレーション機構/techtalk-2025spring
chikuwait
0
220
Computational OT #4 - Gradient flow and diffusion models
gpeyre
0
300
SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery
satai
3
210
MGDSS:慣性式モーションキャプチャを用いたジェスチャによるドローンの操作 / ec75-yamauchi
yumulab
0
240
「エージェントって何?」から「実際の開発現場で役立つ考え方やベストプラクティス」まで
mickey_kubo
0
120
在庫管理のための機械学習と最適化の融合
mickey_kubo
3
1.1k
Mechanistic Interpretability:解釈可能性研究の新たな潮流
koshiro_aoki
1
300
クラウドのテレメトリーシステム研究動向2025年
yuukit
3
950
Featured
See All Featured
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.7k
How to Ace a Technical Interview
jacobian
277
23k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
26
2.9k
The Cult of Friendly URLs
andyhume
79
6.5k
How To Stay Up To Date on Web Technology
chriscoyier
790
250k
CoffeeScript is Beautiful & I Never Want to Write Plain JavaScript Again
sstephenson
161
15k
Why You Should Never Use an ORM
jnunemaker
PRO
58
9.4k
Scaling GitHub
holman
459
140k
Testing 201, or: Great Expectations
jmmastey
42
7.5k
Stop Working from a Prison Cell
hatefulcrawdad
270
20k
Principles of Awesome APIs and How to Build Them.
keavy
126
17k
How to Think Like a Performance Engineer
csswizardry
24
1.7k
Transcript
0 時系列分析 ハンズオン 2022-12-23 第26回NearMe技術勉強会 Takuma Kakinoue
1 時系列分析 • 時系列データとは ◦ 一定間隔(日・月・年など)で記録された時間的順序のあるデータのこと e.g. 毎時間の気温の変化、毎日の売上データ • 時系列分析とは
◦ 時系列データの変動を長期的変動(トレンド)成分、季節的変動成分、外的要因に よる変動成分などの要素に分解して、将来の変動を予測する手法 ◦ Pythonフレームワークには、DartsやProphet、DeepAR、 Greykite(今回使用)などがある
2 時系列データを要素に分解する • 自己相関(Auto Regression) ◦ 直近の過去の値による影響 e.g. n日目の売上 ∝
n-1日目の売上 + n-2日目の売上 • 長期的変動(Integrated)/ トレンド(Trend) ◦ 時間経過と共に増加する、あるいは、減少するといった長期的な傾向のこと • 季節的変動(Seasonality) ◦ 月や曜日などの周期的なものに関連した変動のこと e.g. 夏は売上が多い • 外的要因 ◦ 外部の影響による変化のこと e.g. コロナの影響で売上低下
3 今回用いる Greykite について • 従来手法(ProphetやDeepAR) ◦ 各時点の値は確率分布に従うと仮定し、その確率分布の平均と分散を 同時に予測する •
従来手法の欠点 ◦ Prophetは、解釈可能だが、ベイズ推定を用いるため計算が遅い ◦ DeepARは、深層学習を使うことで精度は良いが、解釈可能でない • Grekiteの優位性 ◦ 平均の予測と分散の予測を異なるモデルで行うことで精度と計算速度を向上 ◦ 予測モデルには、線形回帰や決定木などを用いるので解釈可能
4 参考文献 • NRI ナレッジインサイト, https://www.nri.com/jp/knowledge/glossary/lst/sa/time_series_analysis#:~:t ext=%E6%99%82%E7%B3%BB%E5%88%97%E5%88%86%E6%9E%90%E3 %81%A8%E3%81%AF,%E5%80%A4%E3%82%92%E4%BA%88%E6%B8%A C%E3%81%99%E3%82%8B%E3%82%82%E3%81%AE%E3%80%82 •
Greykite: Deploying Flexible Forecasting at Scale at LinkedIn, KDD2022, https://arxiv.org/abs/2207.07788
5 Thank you