K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

Prophetを使ってみる

入門

04.9.1

Prophetを使ってみる

最終更新 2020-01-29 読了時間 3 分
まとめ
Prophet は時系列を「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、Meta(旧 Facebook)が公開しています。使い方は ds(日付)と y(値)の 2 列を持つ DataFrame を Prophet().fit() に渡し、make_future_dataframe(periods=90) で未来の日付を作って predict() に通すだけです。このページでは曜日・月・対数トレンドを混ぜた 365 日分のダミー系列で、学習から 90 日先の予測図を出すまでの 3 ステップを追います。読み終えると、yearly_seasonality や daily_seasonality の引数が何を学習させるかと、m.plot() の図で予測区間をどう読むかが分かります。

Prophet は Facebook(現 Meta)が開発した時系列予測のライブラリです。トレンド・季節性・休日効果を足し算で表すので、ARIMA の次数選択のような統計の専門知識がなくても使い始められ、売上予測やアクセス数予測などビジネス現場で広く使われています。

Prophet は何をしているか #

ARIMA のように次数 p, d, q を自分で決める代わりに、Prophet は観測値 \(y(t)\) をトレンド \(g(t)\)、季節性 \(s(t)\)、休日効果 \(h(t)\) の和とみなし、各成分の形を回帰で当てはめます。トレンドは区分線形(変化点つき)、季節性はフーリエ級数、休日は日付ごとのダミー変数なので、全体は 1 本の加法回帰モデルです。そのため欠損値のある日はそのまま飛ばして学習でき、外れ値も 1 点が全体のパラメータを大きく動かしにくい設計になっています。インターフェイスは scikit-learn 風で、fit と predict の 2 つを覚えれば最初の予測が出ます。

公式ドキュメントは Installation と Quick Start から読み始めると、ここで扱う 3 ステップがそのまま載っています。

本章の続きは K_DM - 時系列 に掲載しています。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:水準 → 傾き → 季節 と要素を足すほど、未来への伸ばし方が豊かになる。

ダミーの時系列データを作成 #

次のコードは、曜日で変わる成分(cos(weekday))、月の偶奇で 0/1 が切り替わる成分、ゆるやかに増える対数トレンドを足した 365 日分の系列を作り、折れ線で描きます。Prophet に渡すために列名を ds と y にしておくのがポイントです。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
import numpy as np
import pandas as pd
import seaborn as sns
from prophet import Prophet

sns.set(rc={"figure.figsize": (15, 8)})

# 365日のデータ
date = pd.date_range("2020-01-01", periods=365, freq="D")
y = [np.cos(di.weekday()) + di.month % 2 + np.log(i + 1) for i, di in enumerate(date)]

df = pd.DataFrame({"ds": date, "y": y})
df.index = date

sns.lineplot(data=df)

ダミーの時系列データを作成の図

図では 7 日ごとの細かいギザギザ(曜日成分)と、月が替わるたびに 1 だけ上下する段差、全体が右上がりに伸びながら傾きが鈍る対数トレンドが重なって見えます。

Prophetでモデル学習 #

データが 1 年分しかないので年周期は学習させず、代わりに日内周期を有効にしてモデルを作ります。fit の中では Stan による最適化が走り、トレンドの変化点・季節性のフーリエ係数が推定されます。

1
2
m = Prophet(yearly_seasonality=False, daily_seasonality=True)
m.fit(df)

出力例(一部省略):

Optimization terminated normally: 
  Convergence detected: relative gradient magnitude is below tolerance

未来データを作成して予測 #

学習した成分を 90 日先まで延長します。make_future_dataframe は観測期間に続く日付を作るだけなので、predict に渡すと観測期間と未来の両方について予測値 yhat と区間 yhat_lower / yhat_upper が返ります。

1
2
3
4
5
# 90日先まで予測
future = m.make_future_dataframe(periods=90)
forecast = m.predict(future)

fig1 = m.plot(forecast)

未来データを作成して予測の図

実行結果の読み方 #

黒い点は学習に使った 365 日の観測値、青い線はその期間と未来 90 日の予測値 yhat です。線は 7 日周期の波を保ちながら右上がりに伸び、学習データの対数トレンドを区分線形で近似しています。観測期間の右端から先では薄い青の帯(80% 区間)が日ごとに広がり、遠い未来ほど予測が不確かになることを示します。月の偶奇による段差は Prophet の季節性では表せません。そのため観測の点が線から上下に 0.5 ほどずれる月が交互に現れます。

使いどころと落とし穴 #

Prophet が向くのは、売上・アクセス数・需要量のように週や年の周期と緩やかなトレンドを持ち、欠損や外れ値が混ざった日次データです。fit が数秒で終わり、m.plot_components(forecast) でトレンドと週次成分を別々に描けるため、最初のベースラインを素早く出す場面で力を発揮します。ただし 1 年未満のデータで yearly_seasonality を有効にしたままにすると年周期を過学習しますし、ここで試した月ごとの段差のような「周期でも線形でもない変化」は捕まえられません。急な水準の変化が多い系列では changepoint_prior_scale(既定 0.05)を 0.1〜0.5 に上げてトレンドの柔軟性を増やし、逆に予測が暴れるなら下げます。精度を競う場面では、SARIMA や指数平滑法と MAE や MASE で比較してから採用を決めます。

まとめ #

Prophet は ds と y の 2 列を fit に渡し、make_future_dataframe(periods=90) と predict を呼ぶだけで 90 日先の予測と 80% 区間が出ます。内部ではトレンド・週次季節性・日次季節性を加法で足したモデルを Stan で推定しており、1 年分のデータなら yearly_seasonality=False にして年周期の過学習を避けます。m.plot(forecast) の帯が未来に向かって広がる様子から、どの程度先まで予測を信じられるかを判断してください。