ローリング予測の比較

中級

2.8.27

ローリング予測の比較

最終更新 2020-05-06 読了時間 1 分
まとめ
  • ウォークフォワード検証で学習起点をずらしながら予測精度を評価する。
  • 固定窓のスライスとナイーブ予測をmatplotlibで繰り返し描画する。
  • 時系列モデルの時点ごとの安定性や予測の外れやすい時期を特定したいときに使う。

ウォークフォワード検証では、学習期間を少しずつ進めながら予測を繰り返し、時点ごとの誤差や傾向を比較します。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

rng = np.random.default_rng(4)
dates = pd.date_range("2021-01-01", periods=300, freq="D")
trend = 0.1 * np.arange(len(dates))
seasonal = 6 * np.sin(2 * np.pi * np.arange(len(dates)) / 30)
noise = rng.normal(0, 1.8, size=len(dates))
series = pd.Series(120 + trend + seasonal + noise, index=dates)

window = 90
horizon = 7
step = 21

fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(series.index, series, color="#1d4ed8", linewidth=1.2, label="実測値")

for origin in range(window, len(series) - horizon, step):
    train = series.iloc[origin - window : origin]
    forecast_dates = series.index[origin : origin + horizon]
    naive_forecast = np.full(horizon, train.iloc[-1])
    ax.plot(
        forecast_dates,
        naive_forecast,
        color="#f97316",
        linewidth=1.2,
        alpha=0.7,
    )
    ax.scatter(
        forecast_dates[-1],
        naive_forecast[-1],
        color="#f97316",
        s=24,
    )

ax.set_title("ウォークフォワード検証のイメージ")
ax.set_xlabel("日付")
ax.set_ylabel("数値")
ax.legend(loc="upper left")
ax.grid(alpha=0.3)

fig.tight_layout()
fig.savefig("static/images/timeseries/rolling_forecast.svg")

ローリング予測の比較

読み方のポイント #

  • 学習窓を固定したまま起点だけを進めると、最新情報を反映した状態での性能変化を確認できる。
  • 水平線が多いのはナイーブ予測を使っているためであり、モデルを差し替えれば線の形が変わる。
  • ウォークフォワードを可視化すると「どの時点で予測が外れやすかったか」を具体的に議論できる。