TensorFlowを使用した時系列予測：コンポーネント、モデル、ステップ

時系列予測とは何ですか？

アジア太平洋地域は、CAGR（Compound Annual Growth Rate）が40％を超える、世界最大の成長を遂げているディープラーニング市場であることをご存知ですか？ 時系列TensorFlow予測は、ディープラーニングとMLの重要な概念です。 すべての深層学習/MLモデルには、観測値のコレクションであるそれぞれのデータセットがあります。 これらの観測には、多くの場合、時間要素が含まれます。 時系列は、観測値を時間順に並べて、データセットに新しい次元、つまり時間を追加します。

データセットの次元を増やすことで何が達成されるかを考えるかもしれません。 データセットに時間ディメンションを追加すると、観測値間の依存関係の詳細レベルが作成されます。 次に、以前の観測の時系列予測の助けを借りて、結果が予測されます。

将来を予測するための時系列データ（履歴データ）の使用は、時系列予測と呼ばれます。 また、将来は完全に未知であり、履歴データに基づいてのみ予測できることを確認する必要があります。

時系列データを分析して、データを効果的に記述するモデルを開発します。 時系列は、aptモデルを開発するためにいくつかのコンポーネントに分解されます。 履歴データを最もよく表すモデルが開発されると、それは予測に使用されます。 時系列分析と時系列予測を混同しないでください。後者は前者が完了したときにのみ実行されます。

時系列コンポーネント

時系列TensorFlow予測について知る前に、時系列のコンポーネントに精通している必要があります。 時系列は、時系列分析中に4つのコンポーネントに分解されます。 これらのコンポーネントは、データセットを正しく理解するのに役立ちます。 時系列の4つのコンポーネントは次のとおりです。

• 傾向–経時的な系列/データセットの動作は、傾向によって説明されます。 時系列の増加と減少の動作は、傾向によって説明されます。
• レベル–時系列の表現が直線であることを考慮すると、レベルは時系列の基本値です。 多くの専門家はまた、レベルをシリーズの平均値として定義しています。
• 季節性–時間の経過とともに繰り返されるシリーズの動作は、季節性と呼ばれます。 一部の専門家はまた、季節性を周期的な変動と呼んでいます。
• ノイズ–各データセットには、時系列モデルでは説明できないデータポイント/外れ値が含まれています。 これらのデータセットは予測できない特性を持っており、時系列分析/予測を介してマッピングすることはできません。

時系列にはレベルとノイズが必要であることに注意してください。 ただし、時系列の傾向と季節性はオプションです。

なぜTensorFlowなのですか？

時系列予測のために市場で利用可能な多くのフレームワークがありますが、ディープテックの専門家は利用可能なすべてのフレームワークの中でTensorFlowを好みます。 TensorFlowは、広く使用されているプログラミング言語の1つであるPython、C ++、およびCUDAで記述されています。 TensorFlowは、機械学習とディープラーニング用に特別に設計されたオープンソースのソフトウェアライブラリです。

TensorFlowは、予測に使用される時系列分析中にMLモデルを構築するのに役立ちます。 CNN（畳み込みニューラルネットワーク）、RNN（リカレントニューラルネットワーク）などのさまざまなタイプのモデルを構築するためのユーザーを提供します。TensorFlowは、ユーザーとデータセットに応じて、単一のタイムステップまたは複数のタイムステップを予測するのに役立ちます。 時系列のTensorFlow予測中に、次のことができます。

• 単一のタイムステップで単一の機能/ディメンションを予測します。
• 単一のタイムステップでデータセットのすべてのディメンションを予測します。
• シングルショットで複数のステップを予測します（すべての予測を一度に行います）。
• 一度に1つの予測が行われる複数のステップの予測（自己回帰）。

時系列予測用のデータの設定

時系列予測の前に、それに応じてデータを準備する必要があります。 時系列予測の設定には、データ抽出、視覚化、探索、クリーニングなどのさまざまなプロセスが含まれます。時系列予測のデータ設定の背後にある手順を見てみましょう。

• 基本的な手順は、データをインポートするか、データを抽出することです。 時系列予測を使用して豊富な洞察を抽出するデータセットが必要です。
• 次のステップはデータクリーニングです。ここでは、重複または無関係なデータポイントを削除します。 欠落データもこのステップで処理されます。 早期に発見された外れ値がある場合は、それらをデータセットから削除します。 構造エラーは、データクリーニングで修正することもできます。
• 時間とともに変化する時系列の量は、信号と呼ばれます。 これらの信号は、時系列のさまざまな物理的イベントも表します。 たとえば、さまざまな日の任意の場所の天気の説明の時系列がある場合、信号は気温、降雨量などの物理的なイベントになります。信号をsincos形式に変換して続行します。
• 信号をsincos形式に変換するとともに、時刻と日付を秒に変換します。 完了したら、時間とsincos関数をプロットします。
• データを予測してトレーニングする前に、さらに単純化するために時間に基づいてデータを分割します。
• データは、トレーニングの前に正規化されます。 データ正規化の最も簡単な手順は、各データポイントからデータセットの平均を減算し、それを標準偏差で除算することです。
• データの正規化が完了したら、データの偏りをチェックする必要があります。 データバイアスは、データセットの一部の要素が他の要素と比較して大きく表されている状態として定義されます。 偏ったデータは、偏った分析とともに精度を低下させます。 バイオリン図をプロットして、データセットに存在するデータバイアスを取り除くことができます。

データウィンドウ処理

時系列予測の前に、多くのプロセスが関係しているのではないかと疑問に思う必要があります。 若い技術愛好家は、データのトレーニングや分析を行う前に、データの準備が重要なステップであることを知っておく必要があります。 データウィンドウ処理は、時系列TensorFlow予測のデータを設定する最後のステップです。 データウィンドウ処理は、さまざまなモデルでデータを心配することなく使用するのに役立ちます。

たとえば、モデルが1時間先を予測している場合、効果的に予測するには、履歴データの6時間のウィンドウが必要です。 履歴データウィンドウは「入力幅」と呼ばれ、予測されるデータウィンドウはデータウィンドウ処理中の「オフセット」と呼ばれます。

チェックアウト：最も人気のあるTensorflowプロジェクト

TensorFlowシングルステップモデル

最も単純なデータセットがあり、将来の1つのタイムステップのみを予測する場合は、TensorFlowのシングルステップモデルを使用します。 たとえば、「時間」のデータウィンドウを作成した場合、1つのタイムステップを予測します。これは、将来1時間を予測することを意味します。 「WindowGenerator」オブジェクトがTensorFlowで作成され、入力とラベルのシングルステップペアを開発します。

モデルをトレーニングする前に、ベースラインモデルを作成することもお勧めします。 ベースラインモデルを作成すると、最初のシングルステップモデルを将来の複雑なモデルと比較するのに役立ちます。 たとえば、将来1時間の気温を予測する場合は、現在の気温を予測として返すベースラインモデルを作成します（変更なし）。

時間の経過とともに温度がゆっくりと変化するため、1時間経っても温度が変化しない可能性があります。 複数のタイムステップを予測する場合、ベースラインモデルは効果的ではないことに注意してください。

TensorFlowを使用して単一のタイムステップモデルを作成する別の例は、入力と出力の間に線形変換を挿入することです。 TensorFlowを使用して線形モデルを作成するときに、出力が評価される単一のタイムステップのみに依存することを確認します。 高密度モデルは、TensorFlowを使用して作成するもう1つのシングルステップモデルです。

TensorFlowを介した畳み込みニューラルネットワークは、単一のタイムステップの予測にも使用できます。 TensorFlowの畳み込みレイヤーは、タイムステップを予測するための入力として複数のタイムステップを取ります。 RNNは、時系列予測にも広く使用されています。

RNNは時系列を段階的に処理するため（デフォルト）、マシンの内部状態もタイムステップから別のタイムステップにジャンプします。 RNNモデルは入力の長い履歴（履歴データ）を記憶する傾向があるため、RNNを介した時系列TensorFlow予測は適切な選択です。

TensorFlowマルチステップモデル

マルチステップモデルでは、予測はさまざまなタイムステップで行われます。 シングルステップモデルとは異なり、マルチステップモデルは、履歴データを使用して将来の値の範囲を予測します。 マルチステップモデルは、シングルショット予測を介して将来の時系列全体を一度に予測できます。 自己回帰予測を使用することもできます。この場合、モデルは一度に1ステップの予測を行います。 自己回帰予測のシングルステップ予測の結果は、次のタイムステップ予測の入力として機能します。

結論

時系列TensorFlow予測は、他のフレームワークと比較して正確な結果を提供します。 TensorFlowを介したシングルステップ予測に使用できるいくつかのシングルステップモデル（CNN、RNN、Denseなど）について説明しました。

マルチステップモデルを使用して、将来の値の範囲を予測することもできます。 データの準備は、時系列のTensorFlow予測の前の重要なステップであることに注意する必要があります。 DL（ディープラーニング）とMLでの時系列予測について詳しくは、DLとMLでupGradの高度な証明書プログラムを選択してください。 TensorFlowで時系列予測の学習を開始してください！