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
時系列予測モデル1
Search
NearMeの技術発表資料です
PRO
January 06, 2023
Research
0
120
時系列予測モデル1
NearMeの技術発表資料です
PRO
January 06, 2023
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
精度を無視しない推薦多様化の評価指標
kuri8ive
1
370
セミコン地域における総合交通戦略
trafficbrain
0
120
AWS 音声基盤モデル トーク解析AI MiiTelの音声処理について
ken57
0
140
20241115都市交通決起集会 趣旨説明・熊本事例紹介
trafficbrain
0
1.1k
JSAI NeurIPS 2024 参加報告会(AI アライメント)
akifumi_wachi
5
860
コミュニティドライブプロジェクト
smartfukushilab1
0
210
Weekly AI Agents News! 1月号 アーカイブ
masatoto
1
190
Building Height Estimation Using Shadow Length in Satellite Imagery
satai
3
200
新規のC言語処理系を実装することによる 組込みシステム研究にもたらす価値 についての考察
zacky1972
1
330
EBPMにおける生成AI活用について
daimoriwaki
0
280
Data-centric AI勉強会 「ロボットにおけるData-centric AI」
haraduka
0
470
研究を支える拡張性の高い ワークフローツールの提案 / Proposal of highly expandable workflow tools to support research
linyows
0
320
Featured
See All Featured
Unsuck your backbone
ammeep
669
57k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
33
2.1k
jQuery: Nuts, Bolts and Bling
dougneiner
63
7.7k
KATA
mclloyd
29
14k
Practical Orchestrator
shlominoach
186
10k
Learning to Love Humans: Emotional Interface Design
aarron
273
40k
Code Review Best Practice
trishagee
67
18k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
44
7k
Building a Modern Day E-commerce SEO Strategy
aleyda
38
7.1k
Docker and Python
trallard
44
3.3k
The Psychology of Web Performance [Beyond Tellerrand 2023]
tammyeverts
46
2.4k
Bootstrapping a Software Product
garrettdimon
PRO
307
110k
Transcript
0 時系列予測モデル1 2022-1-6 第27回NearMe技術勉強会 Hazuki Shibayama
1 目次 • 時系列モデル • 定常性
2 時系列予測モデル • 過去の値を説明変数として,現在の値を予測 • 時系列データの不規則な変動を確率的なモデルで表現 ◦ 自己回帰モデル(ARモデル) ◦ 移動平均モデル(MAモデル)
◦ ARMAモデル ◦ ARIMAモデル ◦ 指数平滑モデル ◦ ウィンタースモデル 等
3 定常性 データの背後にある確率過程が時間変化に応じて変化しない場合,定常性がある 時系列データを各時間t ∈ {1… 𝑛}ごとの分布から抽出された確率変数𝑅𝑡 の列とみなす 実現値{𝑟1, 𝑟2
, 𝑟3 , … , 𝑟𝑛 } 確率変数列{𝑅1, 𝑅2 , 𝑅3 , … , 𝑅𝑛 } データが定常性を持つ条件 ①各分布の平均E 𝑅𝑡 が一定 ②分散V 𝑅𝑡 も一定 ③自己共分散Cov(𝑅𝑡, 𝑅𝑡−ℎ)はラグhのみに依存 各時点の確率変数の分布が異なるイメージ →これは非定常 時間とともに変化する確率変数
4 定常性 要するに定常性とは 平均回帰的(データが平均の方向に戻っていく傾向)で,トレンドや季節性を持たないデータ 定常なデータ ex) ホワイトノイズ, 非定常なデータ ex)GDP,株価(世の中のデータのほとんど)
5 定常性 • 定常性の確認方法 ◦ 視覚化(データを見る) ◦ 自己相関関数をプロット ◦ 単位根検定
等 • 定常なデータに使えるモデル ◦ 自己回帰モデル(ARモデル) ◦ 移動平均モデル(MAモデル) ◦ ARMAモデル ◦ 指数平滑モデル 等 • 非定常なデータに使えるモデル ◦ ARIMAモデル ◦ SARIMAモデル ◦ 状態空間モデル 等
6 参考文献 時系列解析における定常過程について解説 (https://bigdata-tools.com/time-series-teijo-katei/) [R]時系列分析の基礎まとめ - Qiita (https://qiita.com/YM_DSKR/items/2528548913378bfbf9bc) 時系列解析の定常性入門 -
Qiita (https://qiita.com/maruman029/items/59737da812a0ca21458e) 時系列データの定常性の検出 (https://ichi.pro/toki-keiretsu-de-ta-no-teijosei-no-kenshutsu-231576216659512)
7 Thank you