Platform For AI:x13_auto_arima

次のプロセスに基づいてx13_auto_arimaを選択します。

• default model estimation

  frequency = 1の場合、デフォルトモデルは (0,1,1) である。

  frequency > 1の場合、デフォルトモデルは (0,1,1)(0,1,1) である。

• identification of differencing orders

  diffとseasonalDiffパラメータを指定する場合は、この手順をスキップしてください。

  unit root testsを使用して、差dと季節差Dを決定します。

• identification of ARMA model orders

  ベイズ情報基準 (BIC) に基づいて最も適切なモデルを選択します。 maxOrderおよびmaxSeasonalOrderパラメーターは、この手順で有効になります。

• comparison of identified model with default model

  Ljung-Box Q統計を使用してモデルを比較します。 両方のモデルが受け入れられない場合は、(3,d,1)(0,D,1) モデルを使用します。

• final model checks

Machine Learning Designerのパイプラインページで、x13_auto_arimaコンポーネントのパラメーターを設定できます。 下表に、各パラメーターを説明します。

CLIを使用して、コンポーネントパラメーターを設定できます。 SQLスクリプトを使用してPAIコマンドを呼び出すことができます。 詳細については、「SQLスクリプト」をご参照ください。

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_out_predict2
    -DoutputDetailTableName=pai_ft_x13_arima_out_detail2

startおよびfrequencyパラメーターは、数値列の時間ディメンションts1およびts2を指定します。

• frequencyパラメータは、単位期間内のデータ周波数を指定し、各ts1におけるts2の周波数を意味する。

• startパラメーターの値はn1.n2形式です。 これは、n1番目のts1において、開始日がn2番目のts2であることを示す。

例: value=[1,2,3,5,6,7,8,9,10,11,12,13,14,15]

• start=1949.3、frequency=12は、単位時間が年12ヶ月であることを示し、予測は1950年の6月から開始されます。

  年	1月	2月	3月	4月	5月	6月	7月	8月	9月	10月	11月	12月
  1949			1	2	3	4	5	6	7	8	9	10
  1950	11	12	13	14	有効期限の 15

• start=1949.3、frequency=4は、単位時間が年4四半期であることを示し、予測は年1953の第2四半期から開始されます。

  年	Qtr1	Qtr2	Qtr3	Qtr4
  1949			1	2
  1950	3	4	5	6
  1951	7	8	9	10
  1952	11	12	13	14
  1953	有効期限の 15

• start=1949.3、frequency=7は、単位時間が週7日であることを示し、予測は1951週目の4日目から開始されます。

  週	サン	月	火曜日	水曜日	木	金	土
  1949			1	2	3	4	5
  1950	6	7	8	9	10	11	12
  1951	13	14	有効期限の 15

• start=1949.1、frequency=1は、予測が1963.00で始まることを示す。

  サイクル	p1
  1949	1
  1950	2
  1951	3
  1952	4
  1953	5
  1954	6
  1955	7
  1956	8
  1957	9
  1958	10
  1959	11
  1960	12
  1961	13
  1962	14
  1963	有効期限の 15

この例では、AirPassengers.csvデータセットを使用しています。このデータセットには、1949年から1960年までの毎月の国際航空会社の乗客数が記録されています。 データセットの詳細については、「AirPassengers」をご参照ください。

MaxComputeクライアントで次のTunnelコマンドを実行して、データをアップロードします。 MaxComputeクライアントのインストール方法と設定方法については、「MaxComputeクライアント (odpscmd) 」をご参照ください。 Tunnelコマンドの詳細については、「Tunnelコマンド」をご参照ください。

create table pai_ft_x13_arima_input(id bigint,number bigint);
tunnel upload xxx/airpassengers.csv pai_ft_x13_arima_input -h true;

PAIコマンドの実行

SQLスクリプトまたはODPS SQLコンポーネントを使用して、次のPAIコマンドを実行できます。

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DmaxOrder=4
    -DmaxSeasonalOrder=2
    -DmaxDiff=2
    -DmaxSeasonalDiff=1
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_auto_out_predict
    -DoutputDetailTableName=pai_ft_x13_arima_auto_out_detail

アウトプットの説明

• 出力テーブルoutputPredictTableName

  • フィールドの説明

    列名	コメント
    pdate	予測の日付。
    forecast	予測の結論。
    lower	信頼レベルが指定された場合、予測の下限閾値が得られる。 デフォルトの信頼レベルは0.95です。
    upper	予測の上限閾値は、信頼レベルが指定されたときに生じる。 デフォルトの信頼レベルは0.95です。

  • 生成されたデータ

    

• 出力テーブルoutputDetailTableName

  • フィールドの説明

    列名	コメント
    key	model: 使用中のモデル。 evaluation: 評価結果。 parameters: トレーニングパラメータ。 log: トレーニングログ。
    summary	ストレージの詳細。

  • 生成されたデータ