# 時系列需要予測

> 時系列需要予測 - DataRobotのPythonパッケージを使用した、大規模な需要予測の実行。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.233053+00:00` (UTC).

## Primary page

- [時系列需要予測](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/time-series/demand-flow.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/use_cases_and_horizontal_approaches/Demand_forecasting1_end_to_end/End_to_end_demand_forecasting.ipynb)

需要予測モデルは多くの共通の課題を抱えています。予測するSKUやシリーズの大量、多くのSKUに対する部分的または不規則な履歴、異なる地域ごとの需要パターンを持つ複数のロケーション、新製品に対するビジネスからのコールドスタート予測リクエストなどがあります。 このリストはまだまだ続きます。

しかし、DataRobotの時系列機能はこれらの課題に対処するための多様な機能を提供しています 例：

- 複数のデータ型にわたるラグ特徴量の自動特徴量エンジニアリングと作成、およびトレーニングデータセットの作成。
- テキストデータを用いた時系列モデリングの多様なアプローチ、クロスシリーズの相互作用からの学習、数百から数千のシリーズへのスケーリング。
- ビジネスやユースケースに特化したイベントカレンダーファイルのアップロードからの特徴量生成。
- 定期的および不規則な時系列に対する自動バックテストコントロール。
- カスタム集計による不規則な系列のトレーニングデータセットの作成。
- セグメントモデリング、複数系列モデルの階層クラスタリング、マルチモーダルモデリング、アンサンブル。
- 周期性と定常性の検出、さまざまな差分戦略による特徴量セットの自動作成。
- 履歴が限られている、または履歴がない系列でのコールドスタートモデリング。
- 上記のすべてのインサイト。

需要予測に関するAIアクセラレータの三部構成の第一弾として、このアクセラレーターは時系列実験およびプロダクションワークフローの構築ブロックを提供します。 このノートブックは、一般的なデータおよびモデリングの課題を検証し、取り扱うためのフレームワークを提供し、実際の時系列データにおける一般的な落とし穴を特定し、上記のツールとその他を用いた実験のスケーリングを支援するためのヘルパー機能を提供します。

データセットは、2年間にわたる50の系列（22の店舗にまたがる46のSKU）で構成され、さまざまな系列履歴があります。これは、時間の経過に伴う製品の販売開始と販売終了のビジネスに典型的なものです。