Google Developers Japan: TensorFlow Probability による構造時系列（STS）モデリング

Local blog for Japanese speaking developers

TensorFlow Probability による構造時系列（STS）モデリング

2019年4月22日月曜日

この記事は Dave Moore、Jacob Burnim と TFP チームによる TensorFlow - Medium の記事 "Structural Time Series modeling in TensorFlow Probability" を元に翻訳・加筆したものです。詳しくは元記事をご覧ください。code { background-color: transparent }投稿者: Dave Moore、Jacob Burnim と TFP チーム

TensorFlow Probabilitytfp.sts 概要「予想とは難しいものだ。特に未来に関しては」 — Karl Kristian Steincke 構造時系列モデル

自己回帰プロセス

移動平均

ローカル線形トレンド

周期性

外部共変量（関心対象の時系列に関係する可能性がある他の時系列）に対する回帰と変数選択

例: CO2 濃度の予測

<a href="https://medium.com/media/b72c9fa1a15fcffe2c2ac48761b75325/href">https://medium.com/media/b72c9fa1a15fcffe2c2ac48761b75325/href</a>

この例のコード例: 電気の需要予測https://github.com/robjhyndman/fpp2-package

<a href="https://medium.com/media/a5b96322ddf96550cdada23445f62c21/href">https://medium.com/media/a5b96322ddf96550cdada23445f62c21/href</a>

この例のコード TensorFlow Probability STS ライブラリ

Autoregressive、LocalLinearTrend、SemiLocalLinearTread、LocalLevel: ランダムウォークやその他のプロセスにしたがって変化する大きさや傾きを持つ時系列のモデリング

Seasonal: 時間、曜日、月などの周期的要因に基づく時系列のモデリング

LinearRegression: 時間によって変化するその他の共変量に基づく時系列のモデリング。休日など個々の日付に固有の影響も表せる

変分推論ハミルトニアン・モンテカルロ法TFP ホームページtfprobability@tensorflow.org 参考文献The Annals of Applied Statistics9Forecasting, structural time series models and the Kalman filterKaz Sato - Staff Developer Advocate, Google Cloud