はじめに
「点過程」という概念に興味を持ち、学習を始めることにしました。
ただ、学習を始めた時点では、
- 点過程とは何か
- 強度関数(λ)の意味
- 数式の導出
いずれも曖昧で正確に理解できていない状態でした。そのような状態から点過程を学び、自分なりに整理していく記録です。
できるだけ「なぜそうなるのか」という部分を丁寧に追いながら、理解の過程も含めて残していこうと思います。
本記事で扱う内容
本記事ではまず、点過程の基本的な概念について整理します。
強度関数や数式の詳細は次回以降で扱っていきたいと思います。
点過程とは
点過程とは、一言で表すと「イベントが起きた時刻の列をモデル化したもの」です。
時系列データというと「毎日の株価」や「1時間ごとの気温」など、一定間隔で記録されるデータがイメージできると思います。
例:株価の時系列データ(1分足)
| 時刻 | 価格 |
|---|---|
| 9:00 | 4500 |
| 9:01 | 3380 |
| 9:02 | 4503 |
| 9:03 | 4538 |
このように時系列データとは通常は一定間隔で観測されることが多いデータです。
しかし、実際には「不規則なタイミングで起きるイベント」があります。
例:コールセンターに電話がかかってきた時刻
9:40
10:05
10:48
11:32
12:02
12:13
12:16
12:39
13:00
...
他にも
- 救急車の出動時刻
- 地震が起こる時刻
- 株価が大きく変動する時刻
このようなイベントは1分ごと1時間ごとに記録されるものではなく、「イベントが起きた時刻」のみが記録されます。
以下のように通常の時間軸の上に「イベントの点」が打たれるイメージです。
点過程
時間軸:────●──●●──────●──●────
↑ ↑↑ ↑ ↑
イベント発生
このように「連続した時系列データ」ではなく、「イベントが発生した時刻」をモデル化するものが点過程です。
なぜモデル化する必要があるのか
先ほどのコールセンターの例のように、イベントが発生した時刻の列をただ眺めていても「なんとなく固まってる」くらいしかわからないと思います。
しかしモデル化をすることで固まり具合を数値で表せるようになります。コールセンターの例では、電話の時刻をモデル化することで混雑時間帯のスタッフの配置を最適化することができるようになります。
他にも次のようなことが可能になります。
-
異常を検知できる
→ 通常のパターンから外れたイベントの集中を検出できる -
異なる期間や市場を比較できるようになる
→ リーマンショックとコロナショックで値動き(ジャンプ)の比較ができる -
次のイベントが起こるタイミングを予測できる
→ 災害後の救急車出動要請を予測できる
このように「モデル化」は検出や比較、予測ができるようになり点過程を扱う上でのベースラインを作ることができます。
点過程の種類
点過程にはいくつかの種類があり、「イベントがどのように発生するか」で使い分けます。
下記は代表的な3つのモデルです。
ポワソン過程
最もシンプルな点過程のモデルです。
「イベントが完全にランダム」で、過去と無関係に発生すると仮定するモデルです。
Hawkes過程
ポワソン過程を拡張したモデルです。
過去のイベントが次のイベントの発生に影響すると仮定します。
Cox過程
強度関数λ自体がランダムに変化するモデルで、より複雑な表現が可能です。
まとめ
今回は点過程を学習する上で最低限必要だと感じた知識をまとめました。
次回は点過程の基本的なモデルである、ポワソン過程をまとめていきます。
本記事は初学者の立場から整理した内容のため、誤りや不正確な表現がある可能性があります。
お気づきの点があればご指摘いただけると大変ありがたいです。