ローカル vs グローバル予測 知っておくべきこと

ローカル vs グローバル予測 知るべきこと

ローカルとグローバルアプローチの時系列予測の比較：LightGBMとオーストラリア観光データセットを使ったPythonデモ

Pythonの例へジャンプするには、ここをクリックしてください！

ローカル予測とは何ですか？

ローカル予測は、各時系列に対して独立した予測モデルを個別にトレーニングするという伝統的なアプローチです。古典的な統計モデル（指数平滑法、ARIMA、TBATSなど）は通常、このアプローチを使用しますが、標準的な機械学習モデルも特徴量エンジニアリングのステップを介して使用できます。

ローカル予測には利点があります：

• 理解と実装が直感的です。
• それぞれのモデルを個別に調整できます。

しかし、いくつかの制約もあります：

• デザインスピードがリードを取る：Trek BicycleはNVIDIA GPUを使用して開発された自転車でツール・ド・フランスに参戦する
• 「コーディング経験なしでAIエージェンシーを始める方法」
• 「5つの最高のAIインテリアデザインツール（2023年7月）」

• 「冷たいスタート」問題があります。各時系列に対してモデルパラメータを信頼性高く推定するためには、相対的に大量の過去データが必要です。また、新しい製品の需要など、新しいターゲットを予測することはできません。
• 関連する時系列間の共通性や依存関係（横断的または階層的関係など）を捉えることができません。
• 多くの時系列を持つ大規模なデータセットにスケールするのは難しく、各ターゲットに対して別々のモデルを適合させ、維持する必要があります。

グローバル予測とは何ですか？

グローバル予測は、複数の時系列を使用して単一の「グローバル」予測モデルをトレーニングするより現代的なアプローチです。これにより、より大きなトレーニングセットを持ち、ターゲット間で共有される構造を活用して複雑な関係を学習し、最終的にはより良い予測が可能となります。

グローバル予測モデルの構築には、以下のような特徴量エンジニアリングのステップが一般的に含まれます：

• ターゲットの遅延値
• 時間ウィンドウ内のターゲットの統計（例：…）

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!