ThymeBoostの時系列予測

1. ThymeBoostとは

ThymeBoost は、時系列分解と勾配ブースティングを組み合わせて、予測のための柔軟な組み合わせ時系列フレームワークです。時系列をトレンド成分、季節成分、変化点、外れ値に分解できます。

下記のような手順です。

ThymeBoostのパラメータ

verbose：　bool,　オプション　情報を表示する設定

n_split_proposals : int、オプション　　変更点に対して提案する分割の数。

approximate_splits：bool、　オプション　Trueに設定する場合は、変化点を検出します。

exclude_splits : リスト、オプション　変更点を検索するときに除外するインデックスのリスト。

given_splits : リスト、オプション　変化点を検索するときに使用するインデックスのリスト。

cost_penalty : float、オプション　各ブーストラウンドで適用されるペナルティ。これにより、ブースターが非常に多くの小さな改善を行うのを防ぎます。（デフォルト＝ .001）

normalize_seasonality : bool、オプション　マルチに対して季節平均を強制的に 0 または 1 にするかどうか。（デフォルト=True）

additive: bool、オプションプロセス全体が加法的か乗法的か。

regularization: float、オプション各ブースティングラウンドでグローバルコストにさらにペナルティを課すパラメータ。

n_rounds : int、オプション終了までの設定された回数のブーストラウンド。

smoothed_trend: bool、オプショントレンドコンポーネントになだめるようなものを適用するかどうか。

scale_type : 文字列、オプション適用するスケーリングのタイプ。オプションは [‘standard’, ‘log’] で、従来の標準化またはログを取得します。

trend_estimator : str、オプション [‘mean’, ‘median’, ‘linear’, ‘ransac’] の選択肢。（デフォルト=ransac）

fit_type : str、オプション　グローバルフィッティングとローカルフィッティングのどちらを使用するか。オプションは [‘local’, ‘global’] です。（デフォルト＝local）

season_estimator : str、オプション　季節成分を近似する方法。　（デフォルト＝fourier）

season_period : int、オプション　季節的な頻度。（デフォルト＝None）

2. ThymeBoostの実験

環境：　Google Colab

データセット：　生成した時系列データ

2.1 環境構築

ライブラリのインポート

!pip install -q ThymeBoost

ライブラリのインポート

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

sns.set_style(“darkgrid”)

from ThymeBoost import ThymeBoost as tb

2.２　データ生成

トレンド、季節性、ノイズ、変化点、変動で時系列データを作成します。

seasonality = ((np.cos(np.arange(1, 101))*10 + 50))

np.random.seed(100)

true = np.linspace(-1, 1, 100)

noise = np.random.normal(0, 3, 100)

y = true + noise + seasonality

# Change point

true = np.linspace(1, 50, 100)

noise = np.random.normal(0, 1, 100)

y = np.append(y, true + noise + seasonality)

# shift

true = np.linspace(1, 20, 100) + 100

noise = np.random.normal(0, 1, 100)

y = np.append(y, true + noise + seasonality)

plt.plot(y)

plt.show()

2.3　モデル学習

ThymeBoostのモデルを学習します。

boosted_model = tb.ThymeBoost(

approximate_splits=True,

verbose=0,

cost_penalty=.001,

)

output = boosted_model.optimize(y,

lag=10,

optimization_steps=1,

trend_estimator=[‘mean’, boosted_model.combine([‘ses’, ‘des’, ‘damped_des’])],

seasonal_period=[0, 25],

fit_type=[‘global’])

predicted_output = boosted_model.predict(output, 100)

2.4 結果の確認

output

予測結果

トレンド成分、季節成分、変化点、外れ値など値を出力します。

predicted_output

2.5 可視化

実績値と予測値を表示します。

boosted_model.plot_results(output, predicted_output)

トレンド成分、季節成分、変化点、など値を表示します。

boosted_model.plot_components(output)

担当者：HM

香川県高松市出身　データ分析にて、博士（理学）を取得後、自動車メーカー会社にてデータ分析に関わる。その後コンサルティングファームでデータ分析プロジェクトを歴任後独立　気が付けばデータ分析プロジェクトだけで５０以上担当

理化学研究所にて研究員を拝命中　応用数理学会所属

目次