Prophetで時系列データ予測

はじめに

時系列データを簡単に予測できるProphetについて、基本的な使い方と実際に使ってみた具体例を紹介したいと思います。

Prophetとは

Prophetとは、Facebookが開発した時系列データの予測ができるライブラリです。

外れ値や欠損値があっても簡単に精度のいいモデルを作成できます。また、パラメータを調整することでよりいいモデルの作成も可能になります。

どのように予測しているか

どのように予測しているのか簡単に説明します。

トレンドや年単位や週単位などの周期性、休日の影響に基づいて時系列データを予測するモデルになります。

予測結果は以下の式から求められます。

y(t)=g(t)+s(t)+h(t)+\epsilon_{t}

g(t): トレンド \\\ s(t): 周期性 \\\ h(t): 休日 \\\ \epsilon_{t}: 誤差

基本的な使い方

Prophetの基本的な使い方を紹介していきます。

ここではAirline Passengersのデータを利用します。今回はkaggleでアップされていたデータを利用しています。

Air Passengers

Number of air passengers per month

インストール

まずはProphetをインストールします。

bash

1pip install Prophet

準備

まずは、必要なライブラリをインポートします。

python

1import pandas as pd
2from prophet import Prophet
3
4import seaborn as sns
5sns.set()

利用データ

利用するデータを読み込みます。

python

1data = pd.read_csv('../input/air-passengers/AirPassengers.csv')

以下のような1949年1月から1960年12月の飛行機の乗客データになっています。

	Month	#Passengers
0	1949-01	112
1	1949-02	118
2	1949-03	132
3	1949-04	129
4	1949-05	121
...	...	...
139	1960-08	606
140	1960-09	508
141	1960-10	461
142	1960-11	390
143	1960-12	432

どのようなデータか可視化してみます。

python

1sns.lineplot(x="Month", y="#Passengers", data=data)

学習データの準備

学習データの準備をしていきます。

Prophetで学習させるデータは時系列を表すdsカラムと予測する対象となるyカラムが必要になります。

データの形としては今のままでいいですが、カラム名が適切ではないので、カラム名の変更をします。

python

1data.columns = ['ds', 'y']

また、学習データとテストデータを分割します。ここでは、最後の12ヶ月をテストデータとしています。

python

1test_length = 12
2train = data.iloc[:-test_length]
3test = data.iloc[-test_length:]

学習

学習データの準備ができたので、そのデータを用いてモデルの学習をします。

python

1model = Prophet(seasonality_mode='multiplicative')
2model.fit(train)

パラメータ

モデルには以下のパラメータが設定可能です。問題により適切なパラメータを設定することで精度が向上します。

growth: トレンドを表す関数（線形かロジスティック曲線）
changepoints: トレンドの変化点のリスト
n_changepoints: トレンドの変化点の数
changepoint_range: トレンドの変化点を推測する幅
yearly_seasonality: 年単位の周期性を考慮するか
weekly_seasonalityJ: 週単位の周期性を考慮するか
daily_seasonality: 日単位の周期性を考慮するか
holidays: 休日
seasonality_mode: 周期性の傾向
seasonality_prior_scale: 周期性の強さを表すパラメータ
holidays_prior_scale: 休日の強さを表すパラメータ
changepoint_prior_scale: トレンドの変化点の強さを表すパラメータ
mcmc_samples: MCMC法（マルコフ連鎖モンテカルロ法）のサンプル数
interval_width: 誤差の範囲の広さ
uncertainty_samples: 誤差を推測するためのサンプル数
stan_backend: バックエンドの指定

以下のようにパラメータの指定ができます。下記は全てデフォルト値になっています。

python

1params = {'growth': 'linear',
2          'changepoints': None,
3          'n_changepoints': 25,
4          'changepoint_range': 0.8,
5          'yearly_seasonality': 'auto',
6          'weekly_seasonality': 'auto',
7          'daily_seasonality': 'auto',
8          'holidays': None,
9          'seasonality_mode': 'additive',
10          'seasonality_prior_scale': 10.0,
11          'holidays_prior_scale': 10.0,
12          'changepoint_prior_scale': 0.05,
13          'mcmc_samples': 0,
14          'interval_width': 0.80,
15          'uncertainty_samples': 1000,
16          'stan_backend': None}
17
18model = Prophet(**params)

パラメータチューニングする場合は以下のパラメータが多いです。

changepoint_prior_scale
seasonality_prior_scale
holidays_prior_scale
seasonality_mode
changepoint_range

予測

学習が完了したらテストデータで予測します。

make_future_dataframeで学習データの期間にテストデータ（未来のデータ）を追加したDataFrameを作成します。このデータを使って予測します。

python

1future = model.make_future_dataframe(periods=test_length, freq='M')
2pred = model.predict(future)

予測した結果は以下のようになります。評価指標を計算する場合はyhatカラムを利用します。

	ds	trend	yhat_lower	yhat_upper	trend_lower	trend_upper	multiplicative_terms	multiplicative_terms_lower	multiplicative_terms_upper	yearly	yearly_lower	yearly_upper	additive_terms	additive_terms_lower	additive_terms_upper	yhat
0	1949-01-01	115.603966	91.865217	116.958190	115.603966	115.603966	-0.101135	-0.101135	-0.101135	-0.101135	-0.101135	-0.101135	0.0	0.0	0.0	103.912403
1	1949-02-01	117.275019	86.208456	111.255977	117.275019	117.275019	-0.154216	-0.154216	-0.154216	-0.154216	-0.154216	-0.154216	0.0	0.0	0.0	99.189377
2	1949-03-01	118.784358	107.379400	131.664532	118.784358	118.784358	0.002721	0.002721	0.002721	0.002721	0.002721	0.002721	0.0	0.0	0.0	119.107520
3	1949-04-01	120.455412	103.425669	129.164002	120.455412	120.455412	-0.033256	-0.033256	-0.033256	-0.033256	-0.033256	-0.033256	0.0	0.0	0.0	116.449565
4	1949-05-01	122.072561	106.650815	131.868761	122.072561	122.072561	-0.027357	-0.027357	-0.027357	-0.027357	-0.027357	-0.027357	0.0	0.0	0.0	118.733027
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
139	1960-07-31	464.860836	571.806814	598.207529	464.129166	465.490336	0.257393	0.257393	0.257393	0.257393	0.257393	0.257393	0.0	0.0	0.0	584.512761
140	1960-08-31	467.660516	474.601698	499.457627	466.735673	468.483337	0.041049	0.041049	0.041049	0.041049	0.041049	0.041049	0.0	0.0	0.0	486.857711
141	1960-09-30	470.369885	414.832248	440.271254	469.248001	471.331630	-0.091353	-0.091353	-0.091353	-0.091353	-0.091353	-0.091353	0.0	0.0	0.0	427.400268
142	1960-10-31	473.169565	360.064275	386.413159	471.812173	474.293732	-0.210581	-0.210581	-0.210581	-0.210581	-0.210581	-0.210581	0.0	0.0	0.0	373.529040
143	1960-11-30	475.878934	411.538263	436.644966	474.320539	477.207354	-0.108360	-0.108360	-0.108360	-0.108360	-0.108360	-0.108360	0.0	0.0	0.0	424.312896

可視化

予測した結果を可視化します。 Prophetではmatplotlibなどのライブラリを利用しなくても可視化できます。

黒い点が学習データの実際の値になります。

Python

1pred_plot = model.plot(pred)

plot_componentsを使うとトレンドや周期性の可視化もできます。

python

1component_plot = model.plot_components(pred)

まとめ

Prophetを使うと時系列データを簡単に予測できる

参考

Support

\ この記事が役に立ったと思ったら、サポートお願いします！ /

Prophetで時系列データ予測

はじめに

Prophetとは

どのように予測しているか

基本的な使い方

インストール

準備

利用データ

学習データの準備

学習

パラメータ

予測

可視化

まとめ

参考

関連記事

KerasのFunctional API で多入力・多出力モデル

NeuralProphetで時系列データ予測

機械学習アルゴリズムの分類と実装まとめ

【入門機械学習】動かして理解する人工知能・機械学習・ディープラーニングの違い

目次

はじめに

Prophetとは

どのように予測しているか

基本的な使い方

インストール

準備

利用データ

学習データの準備

学習

パラメータ

予測

可視化

まとめ

参考