ビジネスでデータサイエンスを活用するシーンとして、過去データを使って将来を予測するタイプの問題がある。商品販売数や店舗売上高など、折れ線グラフを使って表現するようなデータ(時系列データ)に基づいた時系列分析だ。過去の販売データに基づいて翌月の発注量を決めたり、3年後など中長期の計画を策定したりするのに使う。今回は、この時系列分析に活用しやすい3つのアルゴリズムを見ていこう。 Prophet
タグ検索の該当結果が少ないため、タイトル検索結果を表示しています。
以前、【LT大会#7】LLMの活用・機械学習・データ分析関係のいろいろな話題にふれようで、時系列基盤モデルについてLTをさせて頂きました。 他発表者のLTも面白く、私自身も時系列基盤モデルについて理解を深める良いきっかけとなりましたが、心残りはLLMを絡めた手法については時間を割けなかったことです。 そこで今回はLLM for 時系列分析に関するアイディアを簡単にまとめてみます。 おことわり 学習目的で調査・作成した内容がベースとなっており、誤りや他に面白い論文・事例がありましたら、教えて頂けますと幸いです。 主に以下Survey論文・Collectionリポジトリで取り上げられている内容の一部を対象としています。より網羅的に知りたい方は下記リソースを直接ご参照ください。 Large Language Models for Time Series: A Survey Position: W
こんにちは! 以前にDartsという時系列分析に特化したpythonライブラリを紹介しました。 前編はこちら 今回は実際にDartsを動かしていきましょう。 Darts内にもデータセットがありますが、公式でも触れられているのであえて、外部のデータを参照してみましょう。導入編でも触れたアイスクリームの生産量の変化を推測したいと思います。 アイスクリームのデータセットはこちら 上記リンクの上部右側Downloadからcsvをダウンロードしてください。 Dartsのインストールは以下の1コマンドです。Windowsではデフォルトのコマンドプロンプトでうまくインストールが終了しなかったので、WSL環境などを推奨します。 $ pip install darts ARIMAで学習してみる バックテストでモデルの選定を行う RNNで共変量を扱ってみる まとめ ARIMAで学習してみる まずは、導入編で最
三十路過ぎてから国際結婚した純ジャパ、日本人男性のTOEICスコア分析。 どうも、ブレスルです。 国際結婚という家庭の事情。 妻がカナダ人、将来的に国に戻りたい移行があります。 そんな中で去年9月末から給付金を活用して学校へ秋入学。 本格的に腹をくくって英語学習を11年ぶりに再開しました。 自分の英語力のピークは大学2年次の大学転入試験前。 上智大、神戸大、学習院大への転校を夢見て心理学&英語を勉強。 転入試験は専門論文の英文和訳が中心。 TOEICとは異なる勉強方法でしたがそれでも英語力に関してはあの時がピーク。 結果的にマーチ関関同立、外語大学の3校へ合格し、成功体験を獲得。 学歴コンプレックスは一応解消されそこからは英語は全く手をつけていません。 んで今回の結果。 TOEIC公式認定証のアビメを分析してみると 総合的なアビメの素点は大学転入前の620点から649点へ向上。 本格的な勉
3つの要点 ✔️ 時系列データから特徴的な「連鎖」を探すという比較的新しい手法が強力にアップデートされました ✔️ データが変化していく中で、正確に「連鎖」を見つけ、ノイズにも強い頑強なアルゴリズムになっています ✔️ 実世界のデータで定性評価、合成データで定量評価し、優れた性能を確認しています Robust Time Series Chain Discovery with Incremental Nearest Neighbors written by Li Zhang, Yan Zhu, Yifeng Gao, Jessica Lin (Submitted on 3 Nov 2022) Comments: ICDM 2022 Subjects: Machine Learning (cs.LG); Artificial Intelligence (cs.AI); Information
私が個人的に開催しているエンジニア勉強会の2019年Advent Calendarで、『統計初心者がベイズ統計学に入門するまでの勉強法』という記事を書いたら、とても好評でした。 そこで今回は、統計初心者が時系列分析を学ぶための勉強について書いていければと思います。 この記事の目的と対象者 この記事は、統計の基礎はある程度勉強したことがあるという人が、立派に「時系列分析」統計学の一大トピックについて語れるようになることを目指します。 時系列分析の全体像を語れるようになるぐらいまでがこの記事のゴールです。 時系列分析の中でも、状態空間モデルという分析モデルを理解できるようになるところまでをゴールとします。 (そもそも統計モデリングってなに?という方は、こちら『結局、統計モデリングとは何なのか』もどうぞ) ここで紹介する書籍は、プログラミンを手を動かして学べる系の書籍ですので、プログラミングの知
※ここでは疑似相関を考慮していない。 これら2つの時系列の因果関係を推定する際、その方法は大きく3つあげられる。 ・VARLiNGAM ・Granger因果 ・CCM 生物学・生態学分野において、そのデータは決定論的なものである。その際、各時系列変動は線形性を有するものは少なく、大抵は非線形な力学系を有する。よって、既存の「モデルリング→処理・推定」を実行することは、モデルフリーな推定よりも正確性が落ちる可能性がある。CCMは数式を仮定せず、時系列の観測値のみから系の状態空間を再構成して挙動を解析する手法である。この手法は2012年にScienceで発表されたものである。今回はこのCCMについて理解を深める一助とする。 CCMの大まかな例 2変数XとYが$ X_t=f(X_{t-1}) $、$ Y_t=g(X_{t-1}, Y_{t-1}) $に従う時、XがYに一方的に影響を与える(X→Y
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く