時間系列予測における適合性予測

『美容とファッションの専門家による、時間に沿った予測の受け止め方』

時間系列予測のために適用される符号化予測概念を探索し、Pythonで実装する

コールセンターのコール数の予測タスクを考えてみましょう。予測は予算配分と労働力計画において重要な役割を果たします（予想されるコールが多い場合、より多くのエージェントが対応できるようになる必要があります）。

したがって、予測モデルを作成し、今週センターが2451件のコールを受けると報告します。

もちろん、将来の予測には誤差と不確実性が付きまとうことは避けられません。しかし、それをどのように量化することができるでしょうか？

論理的な答えは予測区間を使用することです。これにより、特定の信頼レベルで将来の値の範囲を報告することができます。

予測区間の計算方法は多数ありますが、それらはすべてのモデルに適用できるわけではなく、特定の分布に依存することがしばしばあります。

これには2つの主な問題があります。まず、分布の仮定が特定のシナリオでは成り立たない場合があります。第二に、モデリング技術の選択肢が制限される可能性があります。

たとえば、ニューラルネットワークに対して予測区間を測定する明確な方法はありませんが、これらのモデルはより良い予測を生成する可能性があります。

このような場合に符号化予測が重要となります。これはモデルに依存せず、分布に依存しない予測の不確実性を量化する方法です。

この記事では、まずは符号化予測の一般的な概念を探求し、時間系列予測のためのEnbPIメソッドを見つけます。最後に、小規模な予測演習でそれを適用します。

Pythonで最新の時間系列分析技術を学びましょう！ 無料の時間系列チートシート で統計およびディープラーニングの技法をPythonとTensorFlowで実装しましょう！

さあ、始めましょう！

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

93 out of 132 found this helpful