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
120
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
2つの曲線を比較する方法ってあるの? 〜フレシェ距離を試してみた〜 with Python
nearme_tech
PRO
1
18
Constrained K-means Clustering (クラスタサイズの制限をしたK-means法) を調べてみた
nearme_tech
PRO
0
16
VRPの近傍操作SWAP*について調べてみた
nearme_tech
PRO
1
49
新人エンジニアが読んでためになった本
nearme_tech
PRO
2
21
Object–relational mapping and query builder battle 1: Intro to Prisma
nearme_tech
PRO
1
29
深層学習モデルの最適化 -Deep Learning Tuning Playbookを読む-
nearme_tech
PRO
1
52
機械学習を支える連続最適化
nearme_tech
PRO
1
44
サードパーティクッキーの終焉と Topics APIによる代替の可能性
nearme_tech
PRO
1
81
ONNXハンズオン
nearme_tech
PRO
2
28
Other Decks in Research
See All in Research
Mathematical Optimization +Artificial Intelligence =MOAI
mickey_kubo
1
230
機械学習を用いたポケモン対戦選出予測
fufufukakaka
1
560
-SSII技術マップを通して見る過去・現在,そして未来-
hf149
1
490
新入生向けチュートリアル:文献のサーベイv2
a1da4
9
7.8k
SSII2024 [PD] 30周年記念特別企画SSII 技術マップ / LLMサーベイ
ssii
PRO
0
630
The Future of AI: Beyond Completion Models to Systematic Innovation
sunghopark0
0
120
単語埋め込みを用いた日本語オノマトペにおける有声・無声子音の対立による音象徴の分析
shunnosukemotomura
0
390
SSII2024 [OS3] 企業における基盤モデル開発の実際
ssii
PRO
0
490
【ICASSP2024】音声変換に関する全論文まとめ【Parakeet株式会社】
supikiti
0
600
Harnessing the Power of Vicinity-Informed Analysis for Classification under Covariate Shift
nanofi
3
230
LINEチャットボット「全力肯定彼氏くん(LuC4)」の 1年を振り返る
o_ob
0
680
動物倫理学ことはじめ:人間以外の動物との倫理的な付き合い方を考える
takeshit_m
0
350
Featured
See All Featured
Fantastic passwords and where to find them - at NoRuKo
philnash
42
2.7k
Git: the NoSQL Database
bkeepers
PRO
423
64k
A Philosophy of Restraint
colly
200
16k
Stop Working from a Prison Cell
hatefulcrawdad
266
20k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
26
2.1k
YesSQL, Process and Tooling at Scale
rocio
166
14k
Become a Pro
speakerdeck
PRO
15
4.8k
Visualization
eitanlees
139
14k
Principles of Awesome APIs and How to Build Them.
keavy
124
16k
StorybookのUI Testing Handbookを読んだ
zakiyama
15
4.9k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
23
1.9k
Producing Creativity
orderedlist
PRO
340
39k
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