予測

説明

予測ステップは、入力テーブルから時系列を読み取り、予測モデルを適合させて、将来の予測値を出力テーブルに書き込みます。日付ごとの過去の値があり、ワークフローで再現性のある予測を作成したい場合に使用します。

設定

予測パラメーター

• 入力テーブル （必須） — 過去の時系列を含むテーブル。
• 出力テーブル （必須） — 予測行を書き込むテーブル。
• 日付列 （必須） — 各観測値の日付またはタイムスタンプを含む、マッピングされたターゲット列。デフォルトは ds です。
• 値列 （必須） — 予測する数値を含む、マッピングされたターゲット列。
• 系列列 （任意） — 同じテーブル内の個別の系列（顧客、製品、地域、勘定科目など）を識別する、マッピングされたターゲット列。
• 頻度 — Auto、Hourly、Daily、Weekly、Monthly、Quarterly のいずれかです。入力の日付が疎または不規則な場合は、頻度を明示的に指定します。
• 予測期間 — 予測する将来の期間数。デフォルトは 12 です。
• モデル — デフォルトは Automatic です。AutoETS、AutoARIMA、Seasonal Naive、Naive、AutoTheta も選択できます。

テーブルデータの選択

予測の前に入力テーブルを整形するには、テーブルデータの選択タブを使用します。マッピングされたターゲット列には、日付列、値列、およびすべての系列列を含める必要があります。

ソースを検査を使用すると、選択した入力テーブルからマッピングを入力できます。列を調整する前に、マッピングの両側、ソース側のみ、またはターゲット側のみを入力できます。

マッピングにソース列がない場合は、保存が拒否されます（Source columns are required: use Populate to read them from the input table.）。また、ターゲット列に日付列、値列、または系列列が含まれていない場合も拒否されます。

データフィルター

フィルタータブを使用すると、予測の実行前に、行の制限、条件の適用、入力データの集計、結果の絞り込みを行えます。

動作

このステップは、選択した予測期間分の予測行を含む出力テーブルを作成または更新します。系列列を設定すると、PlaidCloud は各系列を個別に予測し、出力に系列の値を含めます。

ARIMA モデル、適合、診断

モデルの設定セクションには、次のフィールドがあります。

• モデル (forecast_model) — 上記のモデル（automatic、auto_ets、auto_arima、seasonal_naive、naive、auto_theta）に加えて、ARIMA、季節 ARIMA (SARIMA)、回帰子付き季節 ARIMA (SARIMAX) (arima、sarima、sarimax) では、指定した次数を適合させます。ARIMA 次数 (p, d, q) (order) は [p, d, q]、季節次数 (P, D, Q, m) (seasonal_order) は [P, D, Q, s] (sarima、sarimax) で、回帰子の列 (exog_columns) は外生回帰子の列を指定します (sarimax)。
• モード (mode) — forecast（デフォルト）はすべての系列の予測を書き込みます。fit は arima、sarima、sarimax で 1 つの系列を適合させ、モデルをテーブルとして書き込みます。apply は モデルテーブル (model_frame) で指定したモデルテーブルの予測を書き込みます。sarimax モデルの場合、入力テーブルには将来の回帰子が含まれます。
• 値の対数を適合 (log_transform) — 値の自然対数に対して適合させます。apply の場合は、予測値を対数スケールから戻して返すかどうかを指定します。
• 代わりに診断を書き込む (diagnostics) — 予測の代わりに 1 つのテーブルを書き込みます。model_frame のモデルの residuals または coefficients、入力値列の autocorrelation（ACF と PACF）または residual_stats、あるいは ljung_box（モデルの残差、ない場合は入力値列の各ラグについての Q 統計量と p 値）を指定できます。最大ラグ (max_lag、デフォルトは 40) は autocorrelation と ljung_box の最大ラグで、動的に予測 (予測値をフィードバック) (dynamic) を指定すると、residuals で動的なサンプル内予測を使用します。
• KNIME 時系列ノード (knime_config) — 予測の代わりに KNIME の時系列準備ノードを実行します。aggregate_granularity は値を年、四半期、月、週、日、時、分、秒に集計し、align_timestamps は値を期間に揃えます。

AI アシスタントまたは REST API では、予測区間のレベルである interval_levels も設定できます。使用できるレベルは 95 のみです。

リソース

予測の処理は別のジョブで実行されます。予測にデフォルトの要求より多くの CPU やメモリが必要な場合にのみ、高度なリソース管理を有効にします。リソース要求を増やすと、容量がスケジュールされるまで予測の開始が遅れる場合があります。これと合わせて cpu（1～7、デフォルトは 1）と memory（8～56 GiB、デフォルトは 8）を設定します。