PyTorch によるコーダーのための AI および ML

第10章 配列を予測するMLモデルの作成 シーケンスを予測するMLモデルの作成

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]

第9章では、シーケンスデータと、季節性、トレンド、自己相関、ノイズを含む時系列の属性を紹介した。予測に使用する合成系列を作成し、基本的な統計的予測の方法を探った。

次の数章では、予測のためのMLの使い方を学ぶ。しかし、モデルの作成を始める前に、予測モデルをトレーニングするための時系列データをどのように構成するかを理解する必要がある 。

なぜそうする必要があるのかを理解するために、第9章で作成した時系列を考えてみよう。図10-1にそのプロットがある。

例えば、タイム・ステップ1,200における時系列の値を、それに先立つ30個の値の関数として予測したいとする。この場合、時間ステップ1,170～1,199の値が時間ステップ1,200の値を決定することになる（図10-2参照）。

図10-1. 合成時系列

図10-2. 予測に影響する前の値

1,170から1,199の値を特徴量、1,200の値をラベルと考えればよい。データセットを、ある数の値を特徴として、それに続く値をラベルとする条件付きにし、データセット内の既知の値すべてについてこれを行えば、モデルの学習に使える、かなりまともな特徴とラベルのセットができあがる。

第9章の時系列データセットでこれを行う前に、同じ属性を持つがデータ量ははるかに少ない、非常に単純なデータセットを作成してみよう。

Windowsデータセットを作成する

PyTorchにはデータを操作するのに便利なAPIがたくさんある。例えば、torch.arange(10) を使って0-9の数字を含む基本的なデータセットを作成し、時系列をエミュレートすることができる。そして、そのデータセットをウィンドウ・データセットの始まりに変えることができる。これがそのコードである：

import torch
 
def create_sliding_windows(data, window_size, shift=1):
    # Convert input to tensor if it isn't already
    if not isinstance(data, torch.Tensor):
        data = torch.tensor(data)
 
    # Calculate number of valid windows
    n = len(data)
    num_windows = max(0, (n – window_size) // shift + 1)
 
    # Create strided view of data
    windows = data.unfold(0, window_size, shift)
 
    return windows
 
# Example usage:
data = torch.arange(10)
windows = create_sliding_windows ...