仕事で時系列予測の依頼が急に増えたので、誰でも簡単に予測→ダウンロードができるようなアプリを作ってくれとChatGPTに聞いたら作ってくれました

マウス操作でドラッグアンドドロップによるデータ読み込みと予測結果のダウンロードができるようにと簡便さを重視させました。

制約

仕事場の需要がほぼ月次予測なので使用データは月次対応
手法は古典的な指数平滑化とその拡張（Holt, Holt Winters）のみ
パラメータ調整はトレンド項、季節項の有無と予測期間だけ
input用CSVの日付はYYYY/MM/DD形式の表示が前提

code

app.py

import streamlit as st
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from matplotlib.dates import DateFormatter
from urllib.parse import quote

# データの読み込み
def load_data(file):
    df = pd.read_csv(file)
    return df

# メインの関数
def main():
    st.title("Forecast App")
    
    # ファイルのアップロード
    file = st.file_uploader("Upload CSV file", type="csv")
    
    if file is not None:
        # データの読み込み
        df = load_data(file)
        
        # 時間列と値列の指定
        time_col = st.selectbox("Select time column", df.columns)
        value_col = st.selectbox("Select value column", df.columns)
        df.index = pd.to_datetime(df[time_col])
        df.index.freq ='MS'
        df = df.resample('MS').asfreq()
        
        # 予測期間の指定
        periods = st.number_input("Number of periods to forecast", min_value=1, max_value=100, value=12)
        
        # 周期性の指定
        seasonal = st.checkbox("Include seasonality")
        
        # 季節性とトレンド性の指定
        trend = st.checkbox("Include trend")
        
        # ボタンを押すとモデルが実行されるようにする
        if st.button("Run Model"):
            # モデルの作成
            model = ExponentialSmoothing(df[value_col],
                                         seasonal='add' if seasonal else None,
                                         trend='add' if trend else None,
                                         seasonal_periods=12,
                                         initialization_method='estimated')

            # 予測結果の取得
            forecast = model.fit().forecast(periods)

            # 予測結果の可視化
            chart_data = pd.concat([df[value_col], pd.Series(forecast, index=pd.date_range(start=df.index[-1], periods=periods, freq='MS'))])

            fig, ax = plt.subplots()
            ax.plot(chart_data, color='black', label='Act')
            ax.plot(chart_data[-periods:], color='blue', label='Forecast')

            # Set the chart title and labels
            ax.set_title('Forecast Visualization')
            ax.set_xlabel('Date')
            ax.set_ylabel('Value')

            # Format the x-axis as YYYY-MM
            ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
            # Set the y-axis as integer
            ax.ticklabel_format(style='plain',axis='y')

            # Display the legend
            ax.legend()

            # Display the chart
            st.pyplot(fig)

            # 予測結果の表形式表示
            forecast_dates = pd.date_range(start=df.index[-1], periods=periods, freq='MS').strftime('%Y-%m-%d')
            forecast_df = pd.DataFrame({'Date': forecast_dates, 'Forecast': forecast})
            forecast_df.set_index('Date', inplace=True)
            st.table(forecast_df)

            # 予測結果のCSV出力
            csv = forecast_df.to_csv(index=True, encoding='utf-8-sig')
            filename = 'result.csv'
            href = f'<a href="data:text/csv;charset=utf-8,{quote(csv)}" download="{filename}">Download the Table</a>'
            st.markdown(href, unsafe_allow_html=True)


        
if __name__ == "__main__":
    main()

構成はシンプルなので他手法への拡張やモデルの柔軟性、信頼区間の表示までアップグレードさせてみたいです