# 時系列問題 時系列機械学習の問題では、過去のデータを活用して特定の日時の数値メトリクスを予測します。 ## 回帰問題と時系列問題の比較 回帰問題は、ターゲット変数とそれに関連する実際のユース ケースの両方において、時系列問題に似ています。これら 2 つの問題タイプには、異なる点もあります。 回帰問題の詳細については、「[回帰問題](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/regression-problems.htm)」を参照してください。 ### 類似点 * どちらも数値ターゲット列を伴います。 * どちらも、売上や金銭の予測を含む金融のユース ケースでよく使用されます。 ### 相違点 * 時系列問題ではグループ化されたターゲットがサポートされますが、回帰問題ではサポートされません ([時系列問題の構成要素](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Components) を参照)。グループ化されたシナリオは、グループ全体のグローバル学習を犠牲にして、複数の異なるモデルをトレーニングすることで、回帰問題に対処できます。 * 時系列の問題は、天気関連の予報、計画されているプロモーション割引、日付が平日、週末、休日のいずれに該当するかなど、特定の特徴量変数が事前にわかっているシナリオをサポートします。これらの特徴量変数は [将来の特徴量](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#FutureFeatures) として知られています。 * 時系列の問題の場合、データは固定の時間間隔で日付または日時によってインデックス付けされる必要があります。また、トレーニングと予測の際には異なるデータ コンテンツが予想され、生成されます ([トレーニング データセットの準備](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TrainPrepare) および [適用データセットの準備](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ApplyPrepare) を参照)。 * 時系列の問題では、予測値は特定の日付と時刻に明示的に対応します。回帰問題では、予測値は特定の日付や時刻に対応する場合も対応しない場合もありますが、対応する場合は、この関連性は出力に明示的に示されるのではなく、暗黙的に示されます。 * さまざまなアルゴリズムが使用されます ([モデル アルゴリズムの理解](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm) を参照)。 ## 時系列の例: 将来の売上 この例では、時系列問題で収集および提供が必要となるデータの概要を示しています。時系列問題のためのフレームワークの開発の詳細については、「[多変量時系列予測の作業](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm)」を参照してください。 この例では、今後 4 日間の毎日の売上を予測することを目標としています。さらに、地域および製品グループごとに、毎日の売上合計を予測することが求められています。地域および製品グループごとの売上が必要であることから、多変量時系列データの問題が構築されました。 まず、モデルのトレーニングのためにデータを収集および集計します。要件は、特定の期間内の各日について、地域および製品グループごとの総売上額を提示することです。さらに、地域および製品グループごとに、1 日あたりのプロモーション対象となっている商品の数を提供することが求められます。 収集データのサンプル | 日付 | プロモーション製品 | 地域 | 製品グループ | 売上 | | --- | --- | --- | --- | --- | | 2025-01-01 | 100 | 北米 | 食料品 | 99642.10 | | 2025-01-01 | 31 | 南米 | 製品 | 34660.34 | | 2025-01-01 | 11 | 北米 | 惣菜 | 60345.44 | | 2025-01-01 | 14 | 南米 | 食料品 | 44603.33 | | 2025-01-01 | 76 | 北米 | 製品 | 105844.44 | | 2025-01-01 | 133 | 南米 | 惣菜 | 150385.44 | | 2025-01-02 | 17 | 北米 | 食料品 | 80195.22 | | 2025-01-02 | 35 | 南米 | 製品 | 61051.13 | | 2025-01-02 | 24 | 北米 | 惣菜 | 55938.38 | | 2025-01-02 | 118 | 南米 | 食料品 | 104823.33 | | 2025-01-02 | 40 | 北米 | 製品 | 11111.12 | | 2025-01-02 | 73 | 南米 | 惣菜 | 15493.33 | 利用可能な過去のデータの最後の日付が 2025 年 10 月 9 日であると仮定します。理論的には、このユース ケースの時系列モデルをトレーニング、展開、予測した後、次のような予測結果が得られると予想されます。 予測データのサンプル | 日付 | プロモーション製品 | 地域 | 製品グループ | 売上 | | --- | --- | --- | --- | --- | | 2025-10-10 | 0 | 北米 | 食料品 | 193803.15 | | 2025-10-10 | 14 | 南米 | 製品 | 76666.66 | | 2025-10-10 | 55 | 北米 | 惣菜 | 30593.55 | | 2025-10-10 | 2 | 南米 | 食料品 | 10549.33 | | 2025-10-10 | 1341 | 北米 | 製品 | 100003.33 | | 2025-10-11 | 0 | 南米 | 惣菜 | 70001.87 | | 2025-10-11 | 0 | 北米 | 食料品 | 39522.11 | | 2025-10-11 | 150 | 南米 | 製品 | 91859.30 | | 2025-10-11 | 65 | 北米 | 惣菜 | 19583.55 | | 2025-10-11 | 12 | 南米 | 食料品 | 194863.00 | | 2025-10-11 | 70 | 北米 | 製品 | 140244.13 | | 2025-10-11 | 15 | 南米 | 惣菜 | 76666.66 | | 2025-10-12 | 20 | 北米 | 食料品 | 30593.55 | | 2025-10-12 | 20 | 南米 | 製品 | 10549.33 | | 2025-10-12 | 39 | 北米 | 惣菜 | 100003.33 | | 2025-10-12 | 109 | 南米 | 食料品 | 105893.99 | | 2025-10-12 | 37 | 北米 | 製品 | 80195.22 | | 2025-10-13 | 75 | 南米 | 惣菜 | 61051.13 | | 2025-10-13 | 190 | 北米 | 食料品 | 55938.38 | | 2025-10-13 | 0 | 南米 | 製品 | 104823.33 | | 2025-10-13 | 0 | 北米 | 惣菜 | 99105.99 | | 2025-10-13 | 100 | 南米 | 食料品 | 130533.31 | | 2025-10-13 | 0 | 北米 | 製品 | 67676.73 | | 2025-10-13 | 14 | 南米 | 惣菜 | 100474.24 | ## 詳細を見る * [多変量時系列予測の作業](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm) * [時系列実験の作業](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm)