Upgrade to Pro — share decks privately, control downloads, hide ads and more …

儲かるPython

OHNO
February 21, 2021

 儲かるPython

OHNO

February 21, 2021
Tweet

More Decks by OHNO

Other Decks in Programming

Transcript

  1. 儲かるPython
    ~時系列データの予測
    と売り上げの予測~
    2021/2/20
    Python機械学習勉強会 in 新潟 #12
    大野 宏

    View full-size slide

  2. 概要
    ・以前、時系列データの予測を使い、電力消費量の予測を
    紹介した。
    ・今回、加熱に要するエネルギー削減を目的に、ある装置
    を加熱する時の温度を予測した。
    ・製造業(食品製造業も対象)における売り上げを予測し、
    生産計画の立案に役立てる。

    View full-size slide

  3. 時系列データの予測
    ・ある装置の温度を予測し、加熱に使用するエネルギー使
    用量を削減したい。
    ・月曜日9時にある装置が所定の温度になるよう、前日に
    ヒータで加熱を始めているが、早めに所定の温度に達し、
    エネルギーが無駄になっている。
    ・1年分のデータを使い再帰型ニューラルネットワークで温
    度を予測し、良い結果が得られた。実装はこれから。

    View full-size slide

  4. 売り上げを上げるために事前に予測
    ・分類問題として考える
    営業データから成約予測モデルを作り、成約ありかなし
    か予測する。成約が上がるよう、営業対象を絞り込む。
    ・各種データから売り上げを予測(回帰)
    自転車レンタル数を、天候、季節、温度、曜日などの条
    件から予測する。
    ・季節などの周期性から売り上げを予測(時系列分析)
    過去の値を基に未来の値を予測する。
    ・回帰+時系列分析でさらなる向上

    View full-size slide

  5. 予測モデル
    ・営業成約予測モデル
    ・予測モデル(回帰)
    ・過去の値を基に未来の値を予測(時系列分析)
    季節 年 曜日
    ・・ 天気
    湿度 風速
    モデル 自転車利用数
    年齢 職業
    ・・ 連絡回数
    連絡日数
    モデル
    成約あり
    制約なし
    過去の自転車
    利用数
    モデル
    未来の自転車
    利用数

    View full-size slide

  6. 類似事例としてのAIタクシー
    ・過去のタクシーの昇降データ等を学習させ、顧客がいる
    エリアを予想する。
    ・タクシー会社の昇降データ、携帯電話会社の人の分布
    データ、曜日、時間、天候
    多くのタクシーが一斉
    に使ったらどうなる?
    6

    View full-size slide

  7. 類似事例としての売り上げ予測
    ・伊勢神宮前の「ゑびや」(食堂とお土産屋)がAIで売り上
    げを予測 → 新会社を設立してツールを販売
    通行人をカウントしながら年齢・性別の情報も収集
    7

    View full-size slide

  8. 参考図書
    Pythonで儲かるAIをつくる

    View full-size slide

  9. 回帰
    ・レンタル自転車の利用数を予測する
    ・データはUCIのBike Sharing Dataset
    ・日付、季節、年、月、祝日、曜日、勤務日(月~金か土
    日か)、天気、気温、体感温度、湿度、風速で予測
    訓練データ 検証データ

    View full-size slide

  10. 回帰の結果
    ・XGBoostRegressor での予測結果の決定係数R2は 0.4206
    ・月と季節をOne-hotエンコーディング R2は 0.5099

    View full-size slide

  11. ・決定係数 R2 は、標本値を y 、推定値を f とすると次式で
    表される。
    ・y と f が合うと1に、合わないと0になる
    決定係数

    View full-size slide

  12. 重要度分析
    ・XGBoostRegressor ではplot_importanceで重要度を分析

    View full-size slide

  13. 時系列分析
    ・過去の利用数から未来の利用数をFB社Prophetで予測
    ・天気、気温、風速、湿度も加味して改善
    R2
    0.4145

    0.6196

    View full-size slide

  14. 売り上げ予測のまとめ
    ・回帰より時系列分析の方が良い結果が得られた
    ・時系列分析に回帰を加えた方が良い結果が得られた
    ・時系列分析は、1週間後や1か月後の売り上げも予測
    可能

    View full-size slide