時系列モデルの使用

SAP Analytics Cloud Smart Predict を使用した時系列モデルの構築

Objective

After completing this lesson, you will be able to 時系列モデルを構築します。

時系列モデルのデータセット

時系列予測シナリオの作成に関する入力データセットの概要

学習用データセットには、予測モデルの生成に使用された過去の観測値 (履歴) と、観測値が記録された日時が含まれます。

  • このデータセットでは、シグナル変数の値が既知です。
  • データセットには、いくつかのインフルエンサ変数が含まれている場合もあります。
  • インフルエンサ変数の過去値と将来値が (少なくとも予測予測期間について) 既知である必要があります。

学習用データセットを分析することで、Smart Predict によって時系列モデルが生成されます。

設定ペインが右側に開かれている時系列モデル。

制限

学習または適用入力データセットに 1,000 を超える列を含めることはできません。

予測モデルを適用データセットに適用するときに、Smart Predict によって追加の列が生成され、データセットが 1,000 列の制限を超えた場合に適用プロセスをブロックできます。

時系列モデルの構築およびトレーニング

時系列モデルの設定

分類モデルおよび回帰モデルと同様に、データソースを選択し、列の詳細を編集する必要があります。ただし、このレッスンでは、時系列モデルを構築およびトレーニングするための特定の設定について説明します。

予測目標

ターゲット:ターゲット変数は、値を予測または説明するシグナルです。

日付:日付変数は時系列モデルに必須です。

データセットをデータソースとする時系列予測シナリオで選択される日付粒度に関係なく、すべての日付書式に年、月、日が含まれている必要があります。そのため、四半期または月次の予測が必要な場合でも、データセットの日付書式に日数が含まれている必要があります。

たとえば、YYYY-MM-DD 日付書式の場合、日付粒度が以下の時系列予測シナリオを作成できます。

  • YYYY-01-01 で表される年。YYYY は変数 (移動年) です。
  • YYYY-MM-01 で表される四半期または月。YYYY-MM は変数 (移動月) です。
  • 日付書式 YYYY-MM-DD の週次データ。たとえば、週の初日を文字 DD (移動週) として取得します。
  • YYYY-MM-DD で表される日 (カレンダ日付)。YYYY-MM-DD は変数 (移動日) です。

予測期間の数: 生成する予測の数。入力データセットにインフルエンサの将来の値が含まれている場合、予測の数はデータセットの将来の値の数以下である必要があります。今後 6 カ月間に将来の値がある場合、要求する予測の数は 6 つを超えることはできません。

信頼区間で提供される予測の数は、以下のように決定されます。

  • 学習用データセットのサイズが 12 期間以下の場合は、小さなデータセットケースとして扱われます。デフォルトでは、信頼区間の予測数は 1 に設定されています。
  • それ以外の場合、信頼区間の予測数は学習用データセットサイズの 1/5 に設定されます。
  • 学習用データセットに 1,000 行のデータが含まれている場合、Smart Predict は信頼区間を使用して最大 200 個の予測を提供できます。200 を超える予測が必要な場合、200 番目以降の予測の精度を評価することはできません。

エンティティ: エンティティは、予測モデルをセグメントに分割するために使用されるオプションの変数です。各予測モデルは独自の予測モデルを生成し、セグメントごとに個別の予測を行います。

たとえば、店舗と商品の両方で KPI を使用する方が関連性が高い場合があります。このタイプの予測が有用である場合は、ボックスをクリックし、セグメンテーションに使用する列を選択します。

時系列データソースおよび予測目標セクションが表示された時系列モデル。

時系列モデルの制限: 推奨最大限度を超える一部の予測期間またはエンティティ (もしくはその両方) に対して予測モデルが設定されている場合、パフォーマンス上の問題が発生し、同じ SAP Analytics Cloud テナント上の他のユーザが影響を受ける可能性があります。

  • エンティティの最大数は 1000 です。
  • 予測期間の最大数 (エンティティ数非依存) は 500 です。

予測モデルのトレーニング

学習に使用: 時系列モデルのデータセットの学習時に使用される観測値を選択します。以下の 2 つのオプションがあります。

  1. すべての観測値: データセットで利用可能なすべての観測値を使用して、予測モデルをトレーニングします。最後の監視の日付を選択するか、最後の日付を定義します。
  2. 観測値の期間: 観測値の制限された期間を指定します。監視ウィンドウに含める日数、週数、月数、または年数を選択します。最後の監視の日付を選択するか、最後の日付を定義します (この日付はデータセットで使用できる必要があります)。

終了: 以下の 2 つのオプションがあります。

  1. 最終観察: アプリケーションで最終トレーニング参照日付を基準として使用します。
  2. ユーザ定義日付: (データセットで使用可能な) 特定の日付を選択します。

インフルエンサとして除外: (少なくとも予測予測期間について) インフルエンサ変数の過去値と将来値が既知である必要があります。時系列予測モデルのトレーニング時に除外するインフルエンサ変数を選択します。

負の予測値をゼロに変換: 負の予測値をゼロに変換します。これは、マイナス値がビジネスシナリオに関連しない場合 (出生数など) に役立ちます。負の値ではゼロ値が強制的に取得されます。これは、誤差の計算と最適な予測モデルの選択に影響します。

予測モデルトレーニングセクションが表示された時系列モデル。

時系列モデルの構築およびトレーニング

ビジネスシナリオ: 今後 20 営業日の日次キャッシュフローを予測する小規模企業で働いています。12 カ月分の過去の稼働日キャッシュフローデータがあり、モデルの精度を向上させるために多数のインフルエンサ変数を作成しました。

提供されたデータは以下のとおりです。

提供されたデータ

Variable (変数)説明
Date (日付)稼働日 (週末および祝日はデータセットから除外されます)
現金日次キャッシュフロー金額 (予測のターゲット変数)
WorkingDaysIndex月内の稼働日の 0 を基準とするポジション (その月の初営業日 = 0、第 2 = 1 など)
ReverseWorkingDaysIndices上記と同じですが、月末からカウントされます (最終稼働日 = 0、最後から 2 番目 = 1 など)。
MondayMonthInd、TuesdayMonthInd、…、FridayMonthIndその平日のどの発生が月の稼働日内であるか (例: 3 = その月の 3 番目の営業月曜日)。値は、対応する平日のみゼロではなく、それ以外の場合は 0 です。
BeforeLastMonday、BeforeLastTuesday、...、BeforeLastFridayバイナリフラグ (0/1)。月の稼働日におけるその平日の最後から 2 番目の発生でのみ 1 に等しい。
LastMonday、LastTuesday、...、LastFridayバイナリフラグ (0/1)。月の稼働日におけるその曜日の最後の発生時のみ、1 に等しい。
Last5WDaysInd月の最後の 5 稼働日のカウンタ 1 から 5 (5 日から最後の日 = 1、4 から最後まで = 2、...、最終日 = 5)。他のすべての日はゼロになります。
Last5WDaysバイナリフラグ (0/1)。月の最後の 5 営業日は 1 です。
Last4WDaysInd月の最後の 4 稼働日のカウンタ 1 から 4 (4 から最終日 = 1、...、最終日 = 4)。他のすべての日はゼロになります。
Last4WDaysバイナリフラグ (0/1)。月の最後の 4 営業日は 1 です。
LastWMonthバイナリフラグ (0/1)。月の最後の有意勤務週のすべての稼働日 (金曜日を含む最終月曜日~日カレンダ週、または稼働日が 4 日以上あるカレンダ週) については、1 と等しくなります。
BeforeLastWMonthバイナリフラグ (0/1)。月の 2 番目から最後の重要な勤務週 (LastWMonth 週の直前のカレンダ週) のすべての稼働日が 1 に等しくなります。

タスクフロー: この演習問題の目的は、以下のとおりです。

  1. 時系列予測シナリオを作成します。
  2. 時系列モデルのデータソースを選択します。
  3. 時系列データソース列の詳細を編集します。
  4. 予測目標の目標、日付、および期間を設定します。
  5. モデルをトレーニングします。