時系列データ分析(s)ARIMAモデル【Statsmodels】

概要

• 基本的には既存の(s)ARIMAモデルでデータを予測
• オプションとして30分に1度学習範囲をシフトさせてモデルを再構築し、再予測
• とある実績データを用いて予測精度を確認

条件

項目	内容
時系列データ	30分周期の計測データ
予測期間	2day(30min更新) / 2day
学習期間	3day / 1week / 1month / 1Q
モデル評価指標	aic
予測値評価指標	RMSE

• データ
  • 平日では下記のような傾向が見られる。
    • 1日のデータ推移
    • 季節によって上下にシフト
    • 夜間少なく昼間に多いデータ
    • 6時に急激に増え、18時に急激に減る
    • 11時、14時頃に急激に少なくなる

検証

このあたりで作成した、力業でp,d,qの準最適なパラメータを求める。

予測期間2day(1hour更新)の場合

• 特殊条件
  • 30分ごとに学習期間を30分シフトさせモデル構築
  • ハイパーパラメータの更新の有無で分岐

30分毎に学習時間をシフトさせて、モデルを更新する関数
下記の関数で、ぐるぐる回して最新の値だけDataframeにする。
本当に意味があるのだろうか？

TrainSARIMA

def TrainSarima(df,Start,End,Order,SOrder,ShiftM = 0):
    TrainResultsSARIMA = sm.tsa.statespace.SARIMAX(df.loc[pd.to_datetime(Start) + ShiftM:pd.to_datetime(End) + ShiftM- pd.offsets.Hour(1)],
                                                   enforce_stationarity=False,
                                                   enforce_invertibility=False,
                                                   order=Order,
                                                   seasonal_order=SOrder
                                                  ).fit()
    TrainResultsSARIMA.aic
    return TrainResultsSARIMA

ForecastSARIMA=[]
PredictTerm = 48

#Fitting
for Minute in np.arange(0,PredictTerm * 2,30):
#for Minute in np.arange(0,PredictTerm * 30,30):
    FitSARIMA = TrainSarima(S_MinamiDF,TrainStartDate,TrainEndDate,SARIMAorder,SARIMAORDER,Shift_minute(Minute))
    ForecastSARIMA = ForecastSARIMA.append(pd.DataFrame(FitSARIMA.predict(SARIMAEndDate - pd.offsets.Minute(60),SARIMAEndDate + pd.offsets.Day(1) + Shift_minute(Minute)).iloc[-1:]))

以上のプログラムから算出される予測値と実績データを使用して精度の評価をした結果を下記に示す。
なお、今回は1日分のデータを使用する。

項目	内容
RMSE(学習:1month)	8.762%

• 学習期間(1month)
  

• 夜間の乖離が大きい

• スパイク部分も乖離が大きい

予測期間2day先の場合（検証中）

• 特殊条件
  • なし

先程のTrainSARIMAのコードを改良して、ループさせずに1回で2day先までのデータを予測させる。
結果は下記のようになる。なお、この結果も1日分のデータを使用した。

項目	内容
RMSE

まとめ

• 30min毎に更新をかけて意味があるか検証要
• そもそも周期性が見られるデータを簡易に予測するのにSARIMAモデルが妥当かどうかの検証が必要