PyTorch によるコーダーのための AI および ML

第9章 シーケンスと時系列データを理解する

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

時系列はどこにでもある。天気予報や株価、ムーアの法則のような歴史的なトレンドなどで目にしたことがあるだろう。ムーアの法則をご存じない方もいるかもしれないが、これはマイクロチップ上のトランジスタ数が2年ごとに約2倍になることを予測するもので、50年近くにわたり、コンピューティングパワーとコストの将来を正確に予測するものであることが証明されている（図9-1参照）。

図9-1. ムーアの法則

注

図9-1の隙間は、その期間のデータが欠落していることを意味するが、一般的な傾向はまだ維持されている。

図9-1参照）。時系列データとは、時間の経過とともに変化する点のセットであり、通常は特定の順序で、あるいはある時点におけるある物事の値を示す。時系列がグラフにプロットされるとき、x軸は通常、時間的な性質を持つ。図9-1に示す例のように、時間軸上に複数の値がプロットされることがよくあり、トランジスタ数が一方のプロットであり、ムーアの法則からの予測値が他方のプロットである。これは多変量時系列と呼ばれる。値が1つだけの場合、例えば時間経過に伴う降雨量のような場合、これは一変量時系列と呼び出される。

ムーアの法則では、将来を大まかに予測することができる固定された単純な規則があるため、予測は簡単である。

しかし、図9-2のような時系列はどうだろうか？

図9-2. 現実世界の時系列

この時系列は人工的に作成されたものだが（その方法はこの章の後半で説明する）、株価チャートや季節的な降雨を表すチャートのように、現実世界の複雑な時系列の属性をすべて備えている。一見ランダムに見えるが、時系列にはいくつかの共通の属性があり、次のセクションで説明するように、時系列を予測するMLモデルの設計に役立つ。

時系列に共通する属性

時系列はランダムでノイジーに見えるかもしれないが、予測可能な共通の属性を持っていることが多い。このセクションでは、そのいくつかを探ってみよう。

トレンド

時系列は通常 、特定の方向に動く。ムーアの法則の場合、時間の経過とともにy軸の値が増加し、上昇トレンドがあることが簡単にわかる。図9-2の時系列でも上昇傾向が見られる。もちろん、これが常にそうであるとは限らない。ある時系列は、季節的な変化があるにもかかわらず、時間の経過とともにほぼ水平になることもあれば、下降トレンドになることもある。例えば、トランジスタ1個当たりの価格を予測するムーアの法則の逆バージョンがそうである。

季節性

多くの時系列は、、季節と呼ばれる一定の間隔で繰り返されるパターンを持っている。例えば、天候における気温を考えてみよう。通常、1年に4つの季節があり、気温が最も高くなるのは夏である。そのため、天候を数年にわたってプロットすると、4つの季節ごとにピークが見られることになり、これが季節性という概念になる。しかし、この現象は天候に限ったことではない。例えば、Webサイトへのトラフィックをプロットした ...