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
150
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
ルートの質を評価する指標について
nearme_tech
PRO
0
13
Rustで作る強化学習エージェント
nearme_tech
PRO
0
42
ビームサーチ
nearme_tech
PRO
0
36
WASM入門
nearme_tech
PRO
0
35
ESLintをもっと有効活用しよう
nearme_tech
PRO
0
25
リファクタリングのための第一歩
nearme_tech
PRO
0
68
ガウス過程回帰とベイズ最適化
nearme_tech
PRO
1
190
確率的プログラミング入門
nearme_tech
PRO
2
120
Observability and OpenTelemetry
nearme_tech
PRO
2
46
Other Decks in Research
See All in Research
Tiaccoon: コンテナネットワークにおいて複数トランスポート方式で統一的なアクセス制御
hiroyaonoe
0
430
IM2024
mamoruk
0
230
Whoisの闇
hirachan
3
310
o1 pro mode の調査レポート
smorce
0
130
DeepSeek-R1の論文から読み解く背景技術
personabb
3
350
Batch Processing Algorithm for Elliptic Curve Operations and Its AVX-512 Implementation
herumi
0
120
サーブレシーブ成功率は勝敗に影響するか?
vball_panda
0
550
Large Vision Language Model (LVLM) に関する最新知見まとめ (Part 1)
onely7
24
6k
2038年問題が思ったよりヤバい。検出ツールを作って脅威性評価してみた論文 | Kansai Open Forum 2024
ran350
8
3.9k
Vision Language Modelと完全自動運転AIの最新動向
tsubasashi
0
250
[ECCV2024読み会] 衛星画像からの地上画像生成
elith
1
1.1k
国際会議ACL2024参加報告
chemical_tree
1
440
Featured
See All Featured
RailsConf 2023
tenderlove
29
1k
Why You Should Never Use an ORM
jnunemaker
PRO
55
9.2k
StorybookのUI Testing Handbookを読んだ
zakiyama
28
5.5k
BBQ
matthewcrist
87
9.5k
Fashionably flexible responsive web design (full day workshop)
malarkey
406
66k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
33
2.8k
What's in a price? How to price your products and services
michaelherold
244
12k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
4
440
Producing Creativity
orderedlist
PRO
344
40k
A designer walks into a library…
pauljervisheath
205
24k
Art, The Web, and Tiny UX
lynnandtonic
298
20k
Raft: Consensus for Rubyists
vanstee
137
6.8k
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