Submit Search
Upload
状態空間モデル等による多変量時系列データ解析
•
Download as PPTX, PDF
•
5 likes
•
2,970 views
B
businessanalytics
Follow
状態空間モデル等による多変量時系列データ解析
Read less
Read more
Business
Report
Share
Report
Share
1 of 9
Download now
Recommended
正準相関分析
正準相関分析
Akisato Kimura
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
MCMCと正規分布の推測
MCMCと正規分布の推測
Gen Fujita
試して、比べて、使ってみる時系列における異常検知。
試して、比べて、使ってみる時系列における異常検知。
浩 陳
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
takutori
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
Recommended
正準相関分析
正準相関分析
Akisato Kimura
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
MCMCと正規分布の推測
MCMCと正規分布の推測
Gen Fujita
試して、比べて、使ってみる時系列における異常検知。
試して、比べて、使ってみる時系列における異常検知。
浩 陳
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
takutori
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
DataRobotJP
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
決定木学習
決定木学習
Mitsuo Shimohata
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較
Hiroki Itô
負の二項分布について
負の二項分布について
Hiroshi Shimizu
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Shuyo Nakatani
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
最適化計算の概要まとめ
最適化計算の概要まとめ
Yuichiro MInato
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
Kenny ISHIMURA
More Related Content
What's hot
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
DataRobotJP
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
決定木学習
決定木学習
Mitsuo Shimohata
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較
Hiroki Itô
負の二項分布について
負の二項分布について
Hiroshi Shimizu
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Shuyo Nakatani
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
最適化計算の概要まとめ
最適化計算の概要まとめ
Yuichiro MInato
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
What's hot
(20)
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
決定木学習
決定木学習
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較
負の二項分布について
負の二項分布について
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Rで階層ベイズモデル
Rで階層ベイズモデル
ベイズ統計入門
ベイズ統計入門
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
時系列分析による異常検知入門
時系列分析による異常検知入門
最適化計算の概要まとめ
最適化計算の概要まとめ
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
色々な確率分布とその応用
色々な確率分布とその応用
Viewers also liked
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
Kenny ISHIMURA
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
businessanalytics
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
horihorio
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
Pystan for nlp
Pystan for nlp
Xiangze
PyMC mcmc
PyMC mcmc
Xiangze
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
カルマンフィルタについて
カルマンフィルタについて
tiny_ak
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
Viewers also liked
(12)
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
Pystan for nlp
Pystan for nlp
PyMC mcmc
PyMC mcmc
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
カルマンフィルタについて
カルマンフィルタについて
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
状態空間モデル等による多変量時系列データ解析
1.
状態空間モデル等による多変量時系列データ解析 ホテル予約サイトにおける予約数予測 株式会社ビジネスアナリティクス 2014/12/24
2.
2 ホテル予約サイトにおける課題 人気のホテルはすぐ満室になってしまう ホテル別の予約数を予測し、 満室になる可能性の高いホテルは早期予約を促進する
3.
3 時系列予測における課題 キャンペーン等の影響により過去の予約実績のみでは予測が困難 最近オープンしたホテル等、十分な予約実績がないホテルが多数存在 来月の予約数は、 当月時点での来月予約数と当月予約数である程度予測できる 「多変量時系列モデル」により予約数を予測
4.
4 予約数予測に利用した予測モデル ベクトル自己回帰移動平均モデル vector autoregressive
moving-average processes with exogenous regressors : VARMAX 状態空間モデル state space model 一般化線形モデル generalized linear model : GLM ベンチマークとして直近の予約データ+GLMで予測モデルを構築
5.
5 STATE SPACEによる予測精度 MAPE :
38%
6.
6 VARMAXによる予測精度 MAPE : 36%
7.
7 GLMによる予測精度 MAPE : 33%
8.
8 結論 予測精度・カバレッジ(予測可能なホテル数)から、 GLMによる予約数予測が最も妥当 但し、より長い時系列データが確保可能なホテルに関しては、 時系列モデルを利用することにより、全体の予測精度改善は十分に可能
9.
9 本資料、および弊社サービスに関するお問い合わせは、 下記までお願いいたします。 contactus@businessanalytics.jp
Download now