時系列予測トレーナー

時系列予測トレーナーは、最も性能の高いモデルを特定するために、いくつかのモデルを並列または順次でトレーニングします。また、モデルの重み付きアンサンブルが単一のモデルよりも高い性能を発揮すると判断した場合は、アンサンブルを活用することもあります。このトレーナーは、AutoGluon ↗ の TimeSeriesPredictor クラスを使用して構築されています。

時系列予測トレーナーは、正確な過去の時系列データに基づいて、あらかじめ定義された先読みステップにわたる将来のデータを予測します。モデルアンサンブルの構造は、出力モデルの実験ページのプロットで表示できます。

トレーニングされるモデル

モデルを除外するか、ハイパーパラメーターを使用して無効にしない限り、内部で複数のモデルがトレーニングされます。

次の種類のモデルをトレーニングできます。

• AutoETS: 自動調整される指数平滑法モデル。
• DeepAR: 自己回帰予測モデル。
• DirectTabular: 表形式の回帰モデル（すべての値を一度に予測します）。
• ETS: 単純な指数平滑法モデル。
• NPTS: ノンパラメトリック時系列予測モデル。
• Naive: タイムスタンプ t の値を、t-1 で観測された値と等しく設定するベースラインモデル。
• PatchTST: Transformer ベースの時系列予測モデル。
• RecursiveTabular: DirectTabular と似ていますが、値を1つずつ予測します。
• SeasonalNaive: タイムスタンプ t の値を、同じ季節の t-1 で観測された値と等しく設定するベースラインモデル。
• TemporalFusionTransformer: LSTM 層と Transformer を組み合わせて、将来の値の分位点を予測する深層学習モデル。
• Theta: Theta 予測モデル。
• TiDE: 時系列の全結合エンコーダーモデル。

データセット

時系列トレーナーでは、入力データセットに対して、回帰トレーナーや機密情報区分トレーナーよりも高度な設定が必要です。回帰トレーナーと機密情報区分トレーナーではトレーニングデータセットのみが必要ですが、時系列予測トレーナーでは、トレーニングデータセットと、それに対応する静的データセットが必要です。

トレーニングデータセット

トレーニングデータセットは、少なくともタイムスタンプ列と対象値の列を含む時系列データセットである必要があります。対象値の列は、モデルが予測する値を含む列です。

また、トレーニングデータセットでは、次のオプションに列をマッピングできます。

• 項目ID： 項目IDの列マッピングは、単一のデータセットで複数の時系列を追跡している場合に役立ちます。たとえば、売上履歴を含むデータセットに、SKU などの商品の項目IDを含めることで、個々の項目を互いに独立して予測するようにモデルをトレーニングできます。
• 既知の共変量： 既知の共変量とは、予測期間全体にわたって値が既知である列です。たとえば、列で次の情報を示すことができます。
  • 祝日と週末：予測期間全体にわたって既知である、特定の日が祝日または週末かどうかを列で示すことができます。
  • イベントの日付：スポーツイベントなど、特定のイベントがその日に開催されたことを列で示すことができます。 残りの列は、気温や類似商品の売上など、変動して事前にはわからない値である_過去の_共変量として扱われます。

静的データセット

静的データセットには、時間に依存しないメタデータが含まれます。

次のようなデータを含めることができます。

• 店舗の場所
• 顧客セグメントの年齢層
• 価格帯またはサブスクリプションのレベル

静的データセットは、トレーニングデータセットでマッピングされた各項目IDが、静的データセットの1行に対応するように整形する必要があります。

たとえば、次のようなトレーニングデータセットがあるとします。

静的データセットは、item_id の値について役立つメタデータを含む、次のようなものになります。

静的データは、item_id 列で結合され、トレーニングデータセットおよび任意のテストデータセットに関連付けられます。

パラメーター

• 予測ホライズンの長さ： 推論時に予測する将来の時間ステップ数です。
• 評価メトリクス： 学習時のパフォーマンスについてモデルを評価するために使用するメトリクスです。データセットによって、どの評価メトリクスでより良い結果が出るかは異なる場合があります。詳細はプラットフォーム内のドキュメントを参照してください。評価メトリクスの値が高いほど、モデルのパフォーマンスが良いことを示します。すべての評価メトリクスはこのパターンに従います。
• 時間制限： 学習に費やす最大時間を任意で設定します。時間制限に達すると、ジョブの学習部分は終了しますが、モデルの検証が完了し、モデルが公開されるまでジョブは終了しません。
• 学習プリセット： 学習プリセットは、バギングとスタッキングに関する複雑な引数を抽象化したものです。
  • best_quality: 統計モデル、深層学習モデル、従来の機械学習モデルを組み合わせて使用し、より長い検証ステップと複数のバックテストを実行します。このプリセットは最も精度の高いモデルを生成しますが、学習に時間がかかる場合があります。
  • high_quality: 統計モデル、深層学習モデル、従来の機械学習モデルを組み合わせて使用します。このプリセットは medium_quality プリセットよりも精度の高いモデルを生成しますが、学習に時間がかかります。
  • medium_quality: 統計モデルと従来の機械学習モデルに加えて、TemporalFusionTransformer を使用します。このプリセットは、より短い学習時間で十分なパフォーマンスのモデルを生成します。
  • fast_training: 単純な統計モデルとツリーベースのモデルのみを使用します。このプリセットは高速に学習できますが、精度が低くなる場合があり、プロトタイピングにのみ推奨されます。
• 分位点レベル： 分位点レベルは、確率分布予測を提供するために予測出力に追加する分位点測定値（0.1、0.2、0.9 など）を指定します。分位点 0.1 に対して予測された値は、実際の値が10%の確率でその 0.1 の値より小さくなると予測されていることを意味します。
• リサンプリングオプション： 時系列を一定の頻度にリサンプリングするためのオプションです。
  • 頻度エイリアス： データ頻度のエイリアスです。自動に設定すると、トレーナーは時系列データの頻度の推定を試みます。それ以外の場合、各選択肢はタイムスタンプの一般的な頻度を表します。たとえば、B はタイムスタンプが営業日単位であることを意味し、W は週単位であることを意味します。これらの値は pandas ↗ のオフセットエイリアスに基づいています。この設定は、タイムスタンプを共通の頻度に合わせて変更するリサンプリングに影響します。
  • 数値集計方法： リサンプリング時には、新しい頻度に合わせて値を「補正」するために、値の変更が必要になる場合があります。この設定は、新しいタイムスタンプにリサンプリングする前に、カテゴリ値以外の値をタイムスタンプ間でどのように集計するかを制御します。
  • カテゴリカル集計方法： 数値集計方法と同じですが、カテゴリ値に適用されます。
• 欠損値の補完方法： 対象列の欠損値をどのように補完するかに影響します。
• アンサンブルを有効化： true の場合、最良のモデルを決定する前に、学習済みのすべてのモデルからなる重み付きアンサンブルを学習し、個々のモデルと比較します。
• 除外するモデルの種類： 特定の種類のモデルを学習で使用しないようにします。

詳細：ハイパーパラメーター

任意のハイパーパラメーター項目を使用すると、学習する各モデルをより細かくカスタマイズおよび制御できますが、1つ注意点があります。この項目を定義すると、ハイパーパラメーター項目に指定されていないモデルは無視されます。この項目は AutoGluon が選択したデフォルトのハイパーパラメーターを上書きするため、結果が悪くなる場合があります。このため、AutoGluon のドキュメント ↗を確認していない場合は、この項目を使用しないことを推奨します。ほとんどの場合、デフォルトのハイパーパラメーターで十分に良い結果が得られます。

通常、ここで渡した引数は、基盤となるモデルの実装に直接送信されます。

以下の例を見てみます。

Copied!
1
2
3
4
5
6
7
{
    "DeepAR": {},
    "Theta": [
        {"decomposition_type": "additive"},
        {"seasonal_period": 1},
    ],
}

これらのハイパーパラメーターにより、次のモデルが必ず学習されます。

1. DeepAR モデル。
2. decomposition_type を additive に設定した Theta モデル。
3. seasonal_period を 1 に設定した Theta モデル。

指定されたハイパーパラメーターでは、アンサンブル処理が適用される前に学習されるモデルはこれらのみです。

出力

時系列予測トレーナーは、検証ステップによって最良と判断されたモデルを含む Foundry モデルを出力します。モデルの詳細は、実験に移動すると確認できます。実験には、モデルのパフォーマンスに関するインサイトを提供するパラメーター、メトリクス、プロットが含まれます。

Quiver、Vertex、Workshop などの Foundry アプリケーションを使用して、予測を時系列として可視化および分析できます。Foundry での時系列の使用について詳しくはこちら。