TTSモデルとLSTMモデルでのバッチ予測¶
時系列予測では、従来の時系列モデル（TTS）や長・短期記憶モデル（LSTM）（自己回帰（AR）や移動平均（MA）の手法を用いたシーケンスモデル）が一般的です。 ARモデルもMAモデルも、予測を行うためには、通常、過去の予測の完全な履歴を必要とします。 それに対して、他の時系列モデルでの予測に必要なのは、特徴量派生後の1行のみです。
備考
時系列のオートパイロットには、まだTTSモデルやLSTMモデルのブループリントが含まれていません。しかし、モデルリポジトリにあるモデルブループリントにアクセスすることができます。
To allow batch predictions with TTS and LSTM models:
- Batch predictions accept historical data up to the maximum batch size (equal to 50MB or approximately a million rows of historical data).
- TTS models allow refitting on an incomplete history (if the complete history isn't provided).
注意
予測時に十分な予測履歴を提供しない場合、予測の矛盾が発生する可能性があります。 TTSおよびLSTMモデルで精度を維持する方法については、予測精度に関する注意事項を参照してください。
To make predictions with a deployed TTS or LSTM model, access the Predictions > Make predictions and Predictions > Job definitions tabs.
Which time series models make TTS and LSTM batch predictions?
The following model types can now make batch predictions: to The following time series models make batch predictions subject to the TTS and LSTM prediction accuracy considerations:
- Recurrent Neural Network Regressor using Keras
- Recurrent Neural Network Regressor using Keras for each forecast distance
- Univariate Recurrent Neural Network Regressor using Keras
- Multi-Step Recurrent Neural Network Regressor using Keras
- Sequence to sequence Recurrent Neural Network Regressor using Keras
- DeepAR Recurrent Neural Network Regressor using Keras
- Seasonal AUTOARIMA model based on statsmodels SARIMAX model
- Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model
- Per Series Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model
- AUTOARIMA model based on statsmodels SARIMAX model using baseline offset for each forecast distance
- Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model using Fourier Terms
- Per-series Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model using Fourier Terms
- Error-Trend-Seasonal (ETS) exponential smoothing model
- Per-series AutoETS model based on statsmodels ETS model
- TBATS forecasting regressor
- Prophet
- Per-series Prophet
- Vector Autoregressive Model (VAR)
- VARMAX model based on stats model (Multiseries VARMAX model)
- Multiseries VARMAX model with Fourier features
- Per-series TBATS forecasting regressor
予測精度に関する注意事項¶
「完全な履歴」と「不完全な履歴」の予測間でのRMSEのパーセンテージ差を計算することで、シーケンスモデルでのバッチ予測に不完全な特徴量派生ウィンドウ履歴を使用することの影響を測定します。 DataRobotでは、テストに基づいて、予測精度を維持するために以下のガイドラインを適用することが推奨されます。
-
ARIMAおよびETS：これらのモデルは（Kalmanのフィルターに基づく）平滑な方法を使用します。この方法ではモデルパラメーターは変更されず、再生成に失敗した場合には元のモデルが使用されます。 精度を維持するために、少なくとも20ポイントの履歴データを提供します。 FDWが小さく、予測に季節性がない場合、新しいデータを既存のパラメーターで効果的に平滑化するために十分な履歴データを提供することが特に重要です。
-
TBATSとPROPHET：これらのモデルでは、ウォームスタート法を使用します。この方法は、初期の「推定」として既存のモデルパラメーターを使用し、より多くのデータで再生成を完了させます。 モデルパラメーターは変更される可能性があり、精度の結果の一貫性は低くなります。 精度を維持するために、少なくとも40ポイントの履歴データを提供します。
-
LSTM：LSTMモデルには2つのグループがあります。
-
以下のモデルでは、予測時にほとんどの時系列モデルと同じ要件があります。それは、予測データには、有効な特徴量派生ウィンドウ履歴が含まれている必要があるというものです。 これらのモデルは次のとおりです。
- Recurrent Neural Network Regressor using Keras
- Recurrent Neural Network Regressor using Keras for each forecast distance
-
以下のモデルでは、すべての予測方法について正確で一貫した予測を確保するために、追加の履歴が必要です。 履歴データで効果的な特徴量派生ウィンドウサイズが許容される場合、予測を返します。一方、最も精度の高い予測では、追加の履歴データ行が必要になります。 その数は次のように計算できます。
2 * (feature derivation window start + forecast window end + 1)たとえば、特徴量が [7, 0] 日間隔で派生し、 [2, 5] 日間隔で予測する場合、必要な履歴量は
2 * [7 + 5 + 1]、つまり26日です。これらのモデルは次のとおりです。
- Univariate Recurrent Neural Network Regressor using Keras
- Multi-Step Recurrent Neural Network Regressor using Keras
- Sequence to Sequence Recurrent Neural Network Regressor using Keras (LSTM)
- DeepAR Recurrent Neural Network Regressor using Keras
-