【第1弾】Facebook開発の「Prophet」で時系列分析に挑戦【LSTMとSARIMAと比較して扱いやすいのか？】

時系列データ分析に挑んでいる。自分にとっては夢がある。

これまで、LSTMとSARIMAを利用して「時系列データ分析」のスキル向上に励んできた。しかし、LSTMやSARIMAのモデル構築を、一から自分の手で構築することになった場合には、まだまだ実力不足な点は否めない。

「時系列予測は学問として大きな一分野。正確かつ安定的な予測を行うために、経験と知識の両方が必要。さらに、企業の中で使いこなすにはビジネス理解が不可欠。」といった解釈もあり、正直、素人が手を出す分野ではない気がする。

「Prophet」とは――Facebook製時系列予測OSSは何が便利なのか：非統計家が高精度な時系列予測を行えるProphet（前編）（1/2 ページ） - ＠IT (atmarkit.co.jp)

しかし、最近実務でよく使われ、とにかく使いやすいとされる、Facebookが開発した時系列予測のオープンソースソフトウェア（OSS）ライブラリ「Prophet」を試してみたいと思う。

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■

■■■時系列データは、アメリカンフットボールプレイヤーのWikiアクセス数■■■

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■

レコード数は2904行。

2007年12月10日から2016年1月20日まで。

　　　　　　　
　　　　　　図１．アメリカンフットボールプレイヤーのWikiアクセス数
 

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■

■■■■■■■■■■モデル構築、推測■■■■■■■■■■■■■■■

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■

from fbprophet import Prophet

model = Prophet()

model.fit(df)

future_df = model.make_future_dataframe(365)

forecast_df = model.predict(future_df)

 

物凄く短い行数で、モデル構築から推論まで実現できている点に驚きを少し感じた。

make_future_dataframe関数は、予測した期間を追加したデータフレームが得られるとのこと。え～と、まったく理解できない。そこで、形を見てみることにする。

・future_df.shape：(3270,1)

・dfは、(2905,2)

・make_future_dataframe関数の引数は、365

このことから、3270=2905+365という数式が見えてくる。

make_future_dataframe関数を実行することで、2016年1月21日から2017年1月19日までの365日が追加されていることが理解できた。

時系列解析ライブラリProphet　公式ドキュメント翻訳3（クイックスタート編） - Qiita

推論結果をプロットした結果は、下記のとおりである。

散布図が実測値になっているが、当てはまりが良さそうとのこと。

ただ、濃い青線と薄い青線は何を示しているのかが分からない。

どうやら、青い線が点予測の線(yhat)で、薄い青が信頼区間(yhat_lowerとyhat_upper)のようだ。

　　　　　　　　　　　　　　　　図2　推論結果

■■■■■■■■■■■■■■■■■■■■■■■■

■■■■■■■■■■次回■■■■■■■■■■■

■■■■■■■■■■■■■■■■■■■■■■■■

モデル構築時のパラメータを指定した場合にどうなるかを見てみたい。

model = Prophet(daily_seasonality=False,

                weekly_seasonality=False,

                yearly_seasonality=True,

                holidays=event_df)