多変量時系列予測の作業

Qlik Predict を使用すると、機械学習モデルをトレーニングして、時間固有のメトリクスを予測できます。ニューラル ネットワーク ベースの方法を使用して、モデルは時間固有の関連性、グループ化されたターゲット データ、過去の特徴量、既知の将来の変数を含む複雑なパターンを学習し、予測します。時系列予測を作成するには、トレーニング データセットを準備し、それを時系列実験で使用し、モデルを展開して、予測の生成に使用できる適用データセットを作成します。

ターゲット

他の実験タイプと同様に、ターゲットはモデルで将来の値を予測する列です。時系列実験の場合、ターゲットには売上や在庫などの数値データが含まれている必要があります。

時系列予測でグループを使用している場合、モデルは予測ウィンドウ内の時間ステップごとにグループごとに 1 つのターゲット値を予測します。グループを使用していない場合は、トレーニング済みのモデルは予測ウィンドウ内の各時間ステップごとに 1 つのターゲット値を予測します。

日付インデックス

日付インデックスは、連続した時間間隔 (時間ステップ) にわたって時系列メトリクスを追跡します。早い段階で時間ステップを決定する必要があります。将来の値をどのくらいの頻度で予測する必要がありますか?

具体的には、日付インデックスは、時系列問題のトレーニングおよび適用データセットに表示される列です。日付インデックスによって、これら 2 つの適用データセットの構造が決定されます。各行は時間のステップ (または、グループの場合は、一意のグループごとの時間のステップ) を表します。

時系列実験にトレーニング データセットを追加すると、可能な日付インデックス列が自動的に識別され、列レベルで [インサイト] として表示されます。これらは、スキーマ ビューの [利用可能な日付インデックス] インサイトから識別できます。

グループは、個別に予測を生成するカテゴリ情報を含む特徴量です。グループの典型的な例としては、店舗番号や製品などがあり、これらは売上などのターゲットのデータを整理するために使用できます。店舗番号と製品タイプをグループとして選択すると、時系列モデルはこれらの列全体の個々の値ごとに予測を提供します。たとえば、売上目標の場合で、店舗番号が 3 つ (1、2、3)、製品の種類が 2 つ (食料品と農産物) ある場合、モデルはこれらの値の一意の組み合わせごとに売上予測を生成します。

データが存在し、カテゴリごとに個別の予測が必要な場合は、時系列の問題にグループを組み込む必要があります。グループのもう 1 つの利点は、モデルがグローバルに学習し、定義したさまざまなグループ間に存在するパターンを、より適切に理解できることです。

各実験バージョンで使用するグループを設定できます。グループを指定しなくても、トレーニング データセットでグループが識別されている場合は、トレーニングでグループが使用されます。

グループは日付インデックス列の重複値によって識別されます。たとえば、日付が 2025 年 1 月 14 日の場合、ストア A のレコードとストア B のレコードの 2 つが存在します。

時系列実験内の各グループ (ターゲットのみを含む) は、データセット内で個別の時系列とみなされます。「時系列とは?」を参照してください。

実験バージョンを構成するときに、予測ウィンドウとギャップ サイズを設定します。これらの値は、モデルのトレーニング中と、ML 展開として展開されたモデルから予測を生成するときの両方で使用されます。

予測ウィンドウは、将来を予測する時間ステップの数です。たとえば、時間ステップが 1 日で、今後 2 週間の売上を予測する場合は、予測ウィンドウを 14 に設定します。

予測ギャップとは、将来において予測が必要ない時間の長さです。必要な場合と不要な場合があるため、予測ギャップの設定はオプションになっています。予測ギャップは、提供して記録された履歴トレーニング データの最後から始まります。予測ウィンドウは、予測ギャップが終了するところから始まります。

たとえば、将来の売上を予測する場合に、入力データの終了後 1 週間以上後の日付の将来の売上のみに関心があるとします。この場合、日単位の時間ステップで、予測ギャップのサイズを 7 つの時間ステップに設定できます。

選択した予測ウィンドウとトレーニング データの量によって、将来予測できる期間が制限されます。詳細については、「最大予測ウィンドウ」を参照してください。

将来の特徴量

将来の特徴量を使用すると、既にわかっている、または合理的に予測できる将来の情報に関する追加データをモデルに提供できます。特に、選択した予測期間全体にわたる将来値にアクセスできます。将来の特徴量を定義するときは、過去のデータと将来のデータの両方を提供する必要があります。

たとえば、店舗が提供する将来の割引によって影響を受ける可能性のある指標を予測するモデルの場合、過去に観測された割引だけでなく、予測期間内の将来の期間における割引も含めることができます。将来の特徴量の他の例としては、天気やカレンダー情報などが挙げられます。

時間ステップ

時間ステップはトレーニングデータセットによって定義されるもので、トレーニングと予測の両方に重要な要素です。

トレーニング データセットにおいて、時間ステップとは日付インデックス内のデータが記録される間隔のことです。たとえば、時間ステップは、毎日、毎時、毎分、毎秒などに設定できます。

トレーニング データで使用されている時間ステップを把握しておくことが重要です。予測ウィンドウや予測ギャップサイズなど、定義する他の実験パラメーターも、この時間ステップ間隔に従います。

モデルを展開後、予測を作成する適用データは、トレーニングデータセットで定義されているものと同じ時間ステップに従う必要があります。

品質

トレーニング データセットを選択すると、システムは使用する時間ステップを推測します。日付インデックスに欠損値やギャップがある場合、ターゲット、グループ、共変量などの列はシステムによって自動的に補間されます。ただし、データの時間間隔が不整合で、異なる時間ステップが検出される場合は、まずデータを修正する必要があります。たとえば、数か月分のデータが毎日 1 回記録されているにもかかわらず、週単位で一貫してデータが記録されている区間がある場合、複数の時間ステップが検出されるため、データセットは使用できません。

適用ウィンドウ

適用ウィンドウまたはルックバック期間とは、指定された予測ウィンドウの予測を提供するために、アルゴリズムが使用できるトレーニング データの一部のことです。

適用ウィンドウはシステムによって計算および設定されます。これは時間ステップの単位で測定されます。適用ウィンドウは、予測ウィンドウとギャップ (予測期間) として設定した内容によって定義されます。 適用ウィンドウのサイズは、少なくとも 1 つの実験バージョンを実行した後、実験構成パネルと [モデル トレーニングの概要] に表示されます。バッチ予測構成を作成または編集する際、ML 展開の [モデル スキーマ] にも表示されます。

適用ウィンドウは、トレーニング設定から自動的に識別されます。特定の予測ウィンドウの予測を生成するには、少なくとも適用ウィンドウを含む履歴データを提供する必要があります。これは適用データセットで提供されます。「適用データセットの準備」を参照してください。

最大予測ウィンドウ

最大予測ウィンドウは、時系列実験を構成するときに推定されます。トレーニングのバージョンを実行すると、最大予測ウィンドウが確実に確定されます。最大予測ウィンドウは、実験構成パネルで [ターゲットと実験タイプ] を開くと、 [自分のデータに基づく] に、 [推定最大予測] または [最大予測] として表示されます。最大予測ウィンドウとは、選択した予測ウィンドウ、提供した履歴データの量、システムが想定する最小サンプル サイズに基づいて、予測を生成できる最大の時間ステップ数のことです。提供した過去のデータが多ければ多いほど、より長い期間の予測が可能になります。ただし、信頼性の高い予測を生成するには、適切な予測ウィンドウを選択することが重要です。

最大の予測ウィンドウは 180 時間ステップまで設定できます。

予測終了時間

予測終了時間は、予測中に適用データセットを定義するときに特に重要です。予測終了時間とは、ターゲット値が存在するサンプル内の最後の日付のことを指します。基本的に、この終了時間以降の日付が、予測を生成する日付となります。

時系列とは?

Qlik Predict の時系列予測では、ターゲットのみを含む各グループは、トレーニング データセット内で個別の時系列とみなされます。たとえば、トレーニング データセットに売上指標が含まれているとします。これらの売上指標は、店舗と商品タイプごとに定義されています。店舗と商品タイプの列がグループとして定義されているため、トレーニング データセットには 3 つの時系列が含まれます。

トレーニング データセットの準備

多変量時系列予測を実行するには、トレーニング データセットに次の列を含める必要があります。

• 日付インデックス

• ターゲット列

• グループ列 (オプション)

• 特徴量列 (オプション - 特徴量がない場合、単変量予測モデルをトレーニングします)

適用データセット - 要件と検証

時系列モデルの場合、適用データセットには次が必要です。

• トレーニング データセットに含まれるすべての列の列と列ヘッダー。

• トレーニング データセットと同じ時間ステップ。

• 予測終了時間前の、モデルの適用ウィンドウ内のレコード数と同じ数以上の履歴データ レコード (ターゲットおよびグループごと)。これらは、過去に観測された日付またはタイム スタンプ、ターゲット、共変量値を含む完全なレコードである必要があります。適用ウィンドウは、トレーニング中に構成された予測ウィンドウとギャップによって決定されます。予測が必要な将来が長ければ長いほど、予測を実行するために適用データセットに必要な履歴データが多くなります。

• 予測期間内の将来のすべての時間ステップを記録します。これらの将来のレコードには、日付インデックス列の値と将来の特徴量のみを含めます。他の列の値は空白のままにしておきます。

例