04.9
自動化ツール
まとめ
Prophet は観測値を「トレンド + 季節性 + 休日効果」の足し算に分解して予測するライブラリで、ARIMA のような次数選択や定常性の確認なしに最初の予測を出せます。使い方は
ds と y の 2 列を Prophet().fit() に渡し、make_future_dataframe(periods=90) と predict() で 90 日先まで伸ばすだけです。この章では曜日・月・対数トレンドを混ぜた 365 日のダミー系列でその 4 手順を動かし、m.plot() の予測図と 80% 区間の帯を読みます。欠損値や外れ値に強い理由と、1 年未満のデータで yearly_seasonality=False にすべき理由もあわせて押さえます。直感 #
売上やアクセス数の予測を「まず今日中にベースラインとして出したい」とき、ARIMA の p, d, q を ACF/PACF で決めている時間はありません。Prophet はトレンドを区分線形、季節性をフーリエ級数、休日を日付ごとのダミー変数として 1 本の加法回帰にまとめ、Stan で一気に推定します。インターフェイスは scikit-learn 風なので、fit と predict の 2 つを覚えれば予測図まで数行で届きます。
詳細な解説 #
このチャプターで学べること #
- Prophetの基本的な使い方(fit/predict/plot)
- トレンド・季節性・休日効果の成分分解グラフの読み方
- パラメーター調整による予測精度の改善方法
これがわかるとできること #
- 新しい時系列データに対して、数行のコードで予測のベースラインを作れる
- 成分分解の結果からビジネス上の示唆を読み取れる
- Prophetの結果を他のモデルと比較して、最適なアプローチを選択できる
学習の進め方 #
まず Prophetを使ってみる で、365 日のダミー系列を Prophet(yearly_seasonality=False, daily_seasonality=True) に学習させ、make_future_dataframe(periods=90) と predict で 90 日先の予測図を出します。次に forecast に入る trend や weekly の成分列を見て、上昇のうちどれだけがトレンドでどれだけが曜日効果かを数値で分けます。最後に changepoint_prior_scale を既定の 0.05 から動かし、トレンドの柔軟さが予測の帯の広がりにどう効くかを試します。