cb predictor ではじめる時系列分析

http://www.kke.co.jp/cb/

株式会社構造計画研究所

Copyright © 2005 KOZO KEIKAKU ENGINEERING Inc. All Rights Reserved.

1

CBPredictor ではじめる時系列分析

http://www.kke.co.jp/cb/Copyright © 2005 KOZO KEIKAKU ENGINEERING Inc. All Rights Reserved. 2

はじめに

本資料では、Oracle Crystal Ballの時系列分析ツール CB

Predictor を使った時系列分析についてご紹介します。


時系列分析とは？

時系列データ(Time Series Data)

– 時間の推移とともに得られるデータ

– データ系列の順序にも意味がある

時系列分析– 時系列データを解釈するための手法

– Oracle Crystlal Ball では、時系列データのトレンド(傾向)と周期性に着目した将来予測が可能


「分布の適合」が苦手とする予測①データ系列をヒストグラム化すると、二つ以上の山があり、

利用できる確率分布のいずれにも当てはまらない形状のとき

②データ系列にトレンドや周期性がある場合• 例：アイスの売上（夏は売れるが冬は売れない）

• 時系列分析で代用

CB Predictor概要

http://www4.kke.co.jp/cb/product/function/assumption_fitting.html


時系列予測の考え方①過去の時系列データを用いてトレンドや周期を考慮した将来を予測

②予測誤差を正規分布で表現する

CB Predictor概要

過去の時系列データ予測

① ②


利点– 予測モデルが与えられているため、手軽に将来予測が可能

– ある程度の説得力を持った一つの予測結果を与えてくれる

– 予測値をモンテカルロ･シミュレーションや最適化に組み入れ可能

– イベントの少ないものであれば、比較的正確な予測が可能

欠点– 時系列分析モデルの“ブラックボックス”に注意

– 予測値通りの将来が来る保証はない

– イベントが多い場合、それを取り除かなければ正確な予測は不可能

時系列分析の利点／欠点


時系列予測の手法

時系列予測– 時系列データを使用して、将来予測を行う予測方法

– データの傾向(トレンド)、周期性を考慮するかどうかによって様々な手法がある

周期性･季節性なし周期性･季節性あり

トレンド（一定）

シングル移動平均法シングル指数平滑法

加法型季節平滑法積乗型季節平滑法

トレンド（一定･上昇･下降）

ダブル移動平均法ダブル指数平滑法

Holt-Wintersの加法型季節平滑法

Holt-Wintersの積乗型季節平滑法



周期性や傾向がないデータに適用する手法

シングル移動平均法直前の数期間の平均を将来に投影し、実測データを平滑化します。

シングル指数平滑法過去になるにつれて指数的に減少する重みを使って、実測データのすべてに重み付けをします。通常はデータが最近のものであるほど大きい重みを与えます。

シングル移動平均法シングル指数平滑法



周期性はないが、傾向があるデータに適した手法

ダブル移動平均法シングル移動平均法を、最初に実測データに、次にシングル移動平均化データに順番に適用します。

ダブル指数平滑法シングル指数平滑法を、最初に実測データに、次にシングル指数平滑化データに順番に適用します。

ダブル移動平均法ダブル指数平滑法



周期性があるが、傾向がないデータに適した手法

加法型季節平滑法あるデータ系列を、季節性・周期・誤差という成分に分けてそれぞれの値を決定し、それらを将来に投影して再構築することによって、一つの予測を作成します。時間に対して増加をしていない季節性のあるデータに最適です。

積乗型季節平滑法

あるデータ系列を、季節性・周期・誤差という成分に分けてそれぞれの値を決定し、それらを将来に投影して再構築することによって、一つの予測を作成します。加法型季節平滑法とは異なり、時間に対して増加をしているような変動性の高いデータに適しています。

加法型季節平滑法積乗型季節平滑法



周期性・傾向があるデータに適した手法


加法型季節平滑法とは異なり、周期と変動幅を維持しつつ増加傾向にあるデータに対して最適な手法です。


積乗型季節平滑法とは異なり、周期を維持しつつ変動幅とトレンドがあるデータに対して最適な手法です。





ARIMA（自己回帰和分移動平均法）

– データのある点とその直近時点の値との関係性を分析し、それらの関係性が将来も保存されるという仮定を置いて予測する手法

– 傾向と季節性のある、時間の経過で変化するデータに適している

– 季節性循環を再現する曲線的な予測になる

SARIMA（季節的自己回帰和分移動平均法）


時系列分析演習– サンプルファイル「トロピカルシャンプー.xls」

• http://www4.kke.co.jp/cb/sample/download/SampleFiles_JP/CB%20Predictor%20Ex

amples/Shampoo%20Sales.xls

時系列分析演習問題


1. データがあるセルを選択していれば、起動時にデータが存在する範囲を自動的に選択

2. 確認して「次へ」

データの入力


1. データ期間の単位→「週」を選択

2. 季節性→「自動検出」

3. 「季節性を表示」をクリック– この場合、2週間の循環の季節性がある

データ属性

①

②

③


1. 元データをチェック

2. 「自己相関の表示」をクリック

3. 確認後「OK」をクリック

4. 「次へ」

季節性を参照


1. データ特性の季節性の有無によって、利用できる手法が限定される

2. チェックした手法はすべて実行される– 手法名をダブルクリックすると、手法の説明と詳細設定画面が開く

3. 「次へ」

予測手法の選択

手法の説明

ダブルクリック


1. 誤差測度を選択– 通常は誤差測度で「RMSE」を選択

2. 「実行」

オプション

名称説明

RMSE

（2乗平均平方根誤差）予測誤差を一旦2乗してから期間平均し平方根をとったもので、常に正の値になります。0に近い値ほど精度がよいことを表しています。

MAD

（平均絶対偏差）誤差の絶対値の差を予測する期の数（データ数）で割った値です。

MAPE

（平均絶対パーセント誤差）予測誤差の絶対値の差を実測値で割り、100を掛けてパーセントにして、それを予測する期の数（データ数）で割った値です。

参考：RMSE

𝑡=1𝑛 𝑌𝑡 − 𝑌𝑡

2

𝑛


1. 信頼区間は見たい範囲を選択（例：10%～90%）

2. 予測期間→「5」週間を入力

3. 「貼付け」をクリック

グラフの表示

系列・手法メニューを切り替えると、別のデータや手法で実行した場合の

予測結果を確認できる


1. 時系列予測値をスプレッドシートにペースト

2. オプション– 「日付系列を含める」

– 「予測をCrystal Ballの仮定として貼付け」

にチェックを入れる

3. 「OK」をクリック

予測値のコピー


1. ペーストされた仮定を選択し、「仮定の定義」をクリック

2. 正規分布であることを確認

仮定のアウトプット


時系列予測手法の用語

名称説明

レベル予測の開始ポイント。傾向性のない一連のデータにとってY-切片と同じである

傾向時系列データの長期的な増加又は減少

季節性あるデータ系列で季節要因が原因となる変化。販売量などの場合、殆どの取引に季節性がある

誤差実際のデータ値と予測データ値との差異


CB Predictorレポートで結果を出力– レポート

– グラフ

– 確率分布

– 結果テーブル

– 手法テーブル

レポート


お問い合わせ

E-mail: [email protected]

TEL: 03-5342-1090

URL: http://www.kke.co.jp/cb/– 最新情報、セミナー・イベント、事例ファイルなど

cb predictor ではじめる時系列分析

Software