時系列予測は、統計的または ML のアプローチの一種で、将来の時点について予測するために過去の時系列データをモデル化しようとするものです。
他のタイプのモデルと比較すると、時系列予測には季節性、休日効果、データの不足、トレンドの変化など、独自の課題が伴います。ここでは、時系列の連続的な性質と時間的相関のために、多くの ML 手法がうまく機能しません。たとえば、k フォールト交差検証はデータ漏洩を引き起こす可能性があります。新しい予測を生成するには、モデルを再トレーニングする必要があります。過学習と学習不足のバランスは、時間次元をランダム化できないと厄介な作業になります。予測するアイテムが数百万個に上る可能性があるため、予測ソリューションのスケーラビリティも考慮する必要があります。ビジネスには、予測に加えて、異常検出、不確実性の定量化、因果推論などのタスクが重要な場合があります。時系列予測は、タイムスタンプ付きのデータに対する教師あり学習だけではありません。幸いなことに、Google Cloud にはあらゆるビジネスニーズに応える幅広いソリューションが用意されています。
たとえば、大規模な小売店では、需要が高いときに在庫を確保し、需要が低いときに過剰在庫にならないように、数百万のアイテムを予測する場合があります。
商品の小売需要予測
小売商品の需要を予測するエンドツーエンドのソリューションを構築します。販売履歴データを使用して、BigQuery ML を使用して需要予測モデルをトレーニングしてから、予測値を Looker Studio ダッシュボードで可視化して関係者と共有します。需要予測のリファレンス パターンを使用して、Google Cloud で数百万の商品にスケールできる需要予測ソリューションを構築する方法をご確認ください。また、リファレンス パターンを使用して、需要予測で食品廃棄を削減する方法もご確認ください。
商品価格の予測
時系列モデルは、ビジネス プロセスや生産プロセスに不可欠な商品価格を予測し、キャッシュフロー モデルと財務計画の情報を提供するために使用されます。
キャッシュフローの予測
時系列モデルは通常、回帰モデルや分類モデルと組み合わせて、過去の会計時系列と取引データと契約上の義務からの入力に基づいて、高精度のキャッシュフロー予測を生成します。ここでは、ARIMA_PLUS を BigQuery ML で使用し、BigQuery ML の教師ありモデル(GLM、ブーストツリー モデル、AutoML など)と組み合わせることができます。
需要予測による異常検出
祝日や贈り物の時期、年末のセールなどに、利用額が増えることが予想されます。しかし、予想外の急増(または谷)がある場合にはどうすればよいでしょうか。たとえば、予想外に高い(あるいは低い)需要を発見するにはどうすればよいでしょうか。BigQuery ML で異常を検出して、自転車レンタルの異常な急増を検出する方法を確認します。これは、ロンドン市で公共交通機関の運行が中断された日と一致します。
製造品質管理と指標モニタリング
IoT センサーから本番環境の出力まで、指標のモニタリングにはさまざまな形態があります。とはいえ、共通する要素は、これらの指標の典型的な範囲を予測することで、事前に計画を立て、監視システムを導入してできるだけ早く対応できるようにすることです。
異常検出のその他の一般的なユースケースには、誤った価格による価格の異常、リアルタイムの異常検出、製造品質管理などがあります。
広告の有効性
ビジネスを伸ばすうえで、広告はどの程度効果的でしたか?因果推論は、広告キャンペーンの統計的有意性を確認するのに役立ちます。
主要イベントが時系列に及ぼす影響
英国の EU 離脱などの主要なイベントが時系列に与えた影響が統計的に有意かどうかを知りたい場合があります。因果推論により「英国の EU 離脱の投票が英国ポンドと米ドルの為替レートにどう影響したか」を確認する方法をご覧ください。
因果推論分析の他の領域には、プロモーション、インセンティブ効果、価格弾力性の推定などがあります。
BigQuery ML を使用すると、BigQuery で標準 SQL クエリを使用して機械学習モデルを作成して実行できます。ARIMA_PLUS というモデルタイプを使用して、時系列予測と異常検出のタスクを実行できます。
BigQuery ML の ARIMA_PLUS モデリングを使用すると、データ ウェアハウスを離れることなく、1 つの SQL クエリ内で数百万の時系列に対して予測を行うことができます。
ARIMA_PLUS は基本的に時系列モデリング パイプラインであり、次の機能が含まれています。
1 つのクエリで一度に数千万の時系列を予測できます。十分な BigQuery スロットが利用可能な場合、さまざまなモデリング パイプラインが並行して実行されます。
BigQuery ARIMA_PLUS の使用を開始するには、以下のチュートリアルをご覧ください。
詳細については、BigQuery ML の公開ドキュメントをご覧ください。
Vertex Forecast には、時系列予測モデルをトレーニングするための複数のオプションが用意されています。
詳細については、Vertex Forecast の公開ドキュメントをご覧ください。
Vertex Forecasting のチュートリアルを利用して、開始できます。
独自のカスタムコードを使用しながら、Google Cloud でトレーニング / サービング インフラストラクチャを活用する場合は、Vertex AI Notebooks を使用して、Python、R、TensorFlow、PyTorch のコードを実行できます。
一変量予測では、過去の時系列データのみを使用して将来のデータを予測します。たとえば、明日のニューヨーク市の気温を予測する場合、一変量予測では、単一の変数である過去の気温のみを使用して将来の気温を予測します。一変量予測では、季節的なパターンや傾向を把握することもできます。
多変量予測では、複数の要素を使用して将来のデータを予測します。たとえば、明日のニューヨーク市の気温を予測するには、過去の気温だけでなく、気圧、UV 指数、近隣の地理的エリアの雲量の割合、風速などの変数も使用できます。
BigQuery ML が組織にどのように役立つかをご覧ください。 ドキュメントを見る。