何ができるか
Prophet を使うと、次の質問に答えられます。- この日の予測対象の値(例:ユーザー数)は、何件と予測できるか。
- このデータを使うことで、日付の単位ごとの予測対象の値を、どれだけのずれで予測できるか。
- どの変数が、予測対象の値を予測するうえで重要か。
必要なデータ
Prophetを作成するためには、日付(日付/時間)型の列と予測対象の値の列が必要です。
サンプルデータ
今回はサンプルデータとして、自転車のレンタルデータを使用していきます。このデータは731行・9列で、1行が1日単位のデータです。列には日付、祝日、就業日、天気、気温、湿度、風速、季節、レンタル数があります。
Prophetのモデルを作成する
今回は日ごとの「レンタル数」を予測するProphetのモデルを作成します。





結果の解釈
予測結果
「予測結果」の節では、Prophetで算出された予測値と実測値がラインチャートで可視化されます。




トレンド
「トレンド」の節では、トレンドラインとそのトレンドの変化点がチャートとして表示されます。


年周期
「トレンド」と同じ節の「年周期の季節性」では、年周期の季節性のチャートが表示されます。ちなみに、年周期は日付の期間が2年以上ある場合のみ適用されます。


週周期
「週周期の季節性」では、週周期の季節性のチャートが表示されます。この例では、日単位(DAY)のデータから、曜日ごとの変動を確認できます。


時系列要素の分析
「時系列要素の分析」の節の「時系列要素と予測値の関係」では、予測値を構成する各要素(トレンド、季節性)が表示されます。外部予測変数や祝日効果を設定している場合は、その効果も表示されるようになっています。グレーの線が予測値を表し、この線の形に近い要素が、予測により大きく貢献していることを示します。


予測精度
「予測精度」の節では、この予測モデルの評価を確認できます。
- RMSE (Root Mean Square Error) : 予測からのずれの二乗の平均のルート
- MAE (Mean Absolute Error) : 予測からのずれの絶対値の平均
- MAPE (Mean Absolute Percentage Error) : パーセントで表した予測からのずれの絶対値の平均
- R2乗 : モデルがばらつきをどれだけ説明できているかを表す値

予測データ
「予測データ」の節の「データ」を開くと、モデルに使用したデータと予測値がテーブル形式で表示されます。
forecasted_value)を確認できます。

祝日効果を追加する
Prophetで祝日効果を使用したい場合、デフォルトで使用できる「国民の祝日データ」を適用するか、自分で用意した「祝日情報の列」を追加する方法があります。 国民の祝日データは、歯車のアイコンから「設定」を開き、「祝日効果」で設定できます。「国別祝日データを使う」を「はい」にして、「祝日データの国」に、アメリカの場合は「US」を、日本の場合は「JP」を入力します。「祝日効果の程度」の初期値は10です。


外部予測変数を使用してモデルを作成する
Prophetの予測精度を上げるために、外部予測変数を使ってモデルを作成できます。 例えば、レンタル数の予測精度を上げるために、気温、湿度、風速の列を使用したいとします。




Prophetに関するよくある質問
Exploratoryが時系列予測に使用しているProphetアルゴリズムについて、よく聞かれる質問とその答えをこちらにまとめました。Q: Prophetは何を根拠に予測を行っているのですか?
Prophetは予測を行うために、以下の特徴を過去のデータから抽出します。- 直線(チェンジポイントで折れる折れ線)で表される、大局的な成長・衰退トレンド
- 年単位で繰り返される季節性
- 週単位で繰り返される周期性
- (日より細かい単位のデータの場合)一日単位で繰り返される周期性
- (祝日データを指定した場合)祝日であることが結果の値に及ぼす効果
Q: 年周期の季節性とはなんですか?
Prophetはデータから読み取ったトレンドや季節性などを足し上げて予測値を求めるモデルとなっています。 年周期の季節性はその中でも、毎年繰り返される月ごとの効果を表しており、1月や2月だったらこれくらいの効果があると想定して算出されています。

Q: チェンジポイントとはなんですか?
Prophetが計算する、過去の時系列のトレンドは、直線をつなげた折れ線で表されますが、この折れ線の折れている点がチェンジポイントです。 Prophetは、入力時系列データの始めの80%の部分に、均等に25個の点を置き、これらの点においてどの程度トレンドの直線を折るのが過去のデータを表現するのに最適なのかを計算します。 多くの場合、これらの点の内の一部だけで直線を折るのが最適という結果になり、その場合、これらの点において過去にトレンドの変化があったと解釈できます。 チェンジポイントと、各チェンジポイントでのトレンドの折れ線の傾きの変化量は、「トレンド」の節で、赤色のバーとして表されます。
Q: 入力する時系列データは、定常的(stationary)である必要はありますか?
ARMAやARIMAといった時系列予測アルゴリズムでは、入力データの定常性(stationarity)はモデルの持つ仮定に関わる重要な条件ですが、prophetでの予測においてはあまり関係がありません。 むしろ、Prophetはトレンドや季節性といった、データの非定常性を検出して予測に利用しています。定常的なデータには、トレンドも季節性もありませんので、定常的なデータをProphetに与えても、常に一定値を返す予測となるだけであり、これはprophetが力を発揮するようなデータではないとも言えます。 参考リンクQ: 欠損のある時系列データで予測を行うことはできますか?
はい、できます。欠損のある時系列データを扱えることは、他の多くの時系列予測アルゴリズムとの比較において、Prophetの特徴的な強みの一つです。Q: Prophetを実行するためにはどの程度のデータが必要ですか。
例えば、年周期の季節性を予測に利用するには最低でも2年間のデータが必要になります。そのため、予測用のデータは最低でも2年間分以上を用意いただくことを推奨いたします。Q: 多くの人が集まるイベントが開催された日、などによって起きた外れ値的なデータをどう処理したらよいでしょうか?
外れ値としてデータから除いてしまってもよいのですが、Prophetならではの方法として、こういった特別な日による影響を「祝日効果」としてモデルに組み込むことができます。これにより、将来、同様のイベントが開催されるときに、その効果を考慮に入れた予測をできます。 詳しくはこちらのノートをご覧ください。Q: 将来の予測値が計算されません。
外部予測変数を利用している
Prophetで外部予測変数を使用したモデルをつくった場合は、将来の予測をするには、その将来の期間の外部予測変数の値が必要となります。つまり、データの将来の期間の行に、外部予測変数の値は入っていて、予測対象の値だけが欠損値(NA)になっている必要があります。 将来の期間の外部予測変数がデータ中にない場合は、モデルは作成されますが、予測はされません。(過去の実績のデータフレームと将来の期間の外部予測変数のデータフレームが分かれている場合は、データフレームをマージすることが必要です。) 将来の予測をしたい場合には、外部予測変数は、そもそも予測がしやすい値であるか、将来の予定が決まっているような値である必要があることになります。(予測に利用するのではなく過去のデータ間の関連性を見る目的であれば、もちろんそうでなくても問題はありません。) 外部予測変数も一緒に過去の値のみから予測して欲しいところなのですが、Prophetにそういった機能がないというのが現在の状況となります。そういった機能を加えようという動き(参考:この件のgithub issue)はあるようですがしばらく時間がかかりそうに見えます。Q: Prophetの場合、予測用のデータの期間を短くすることで精度が上がることもありますか?
データによっては、予測用のデータの期間を短くすることで精度が上がることがあります。 例えば、ビジネスのトレンドや周期性が昔(例:5-10年前)と比べて大きく異なるようでしたら、直近のデータだけを利用した方が良いかと思います。一方で、大きな変化がなく、ある程度決まった周期性や外部予測変数を元に予測値が決まるような状況であれば、過去のデータを含めた方が精度が高くなりやすい傾向があります。Q: Prophet(時系列予測)の予測精度を測るMAPEが「inf」になってしまう理由としてどのようなことが想定されますか?
MAPEは実測値と予測値の差の実測値に対する割合を求め、その絶対値の平均をとる計算をしているため、0になる実績値を含む場合、1つの地点における、割合がinfになってしまうことで、MAPEがinfになっていることが想定されます。Q: Prophet(時系列予測)の変数重要度はどのように計算されているのでしょうか?
Prophetでは、それぞれの変数(または季節性)の効果の標準偏差として計算され、「時系列要素の分析」の節の「変数の重要度」に表示されています。 この考え方は、モデルが変数(回帰変数)を重要であるとみなしている場合、最終的な予測出力に対するその変数の影響が大きくなり、標準偏差を計算することでその影響を評価できるというものです。 変数(回帰)の場合、効果の標準偏差は、Prophet モデルの変数の「ベータ」係数と同じになります。 例えば、下記のProphetのモデルでは、売上を予測するのに「オンライン広告費用」が重要であると判断されています。この例のデータは説明用に作った架空のものです(「売上予測サンプル」、1,095行・4列。日付、オンライン広告費用、ダイレクトメール費用、売上)。外部予測変数にオンライン広告費用とダイレクトメール費用を平均値(MEAN)で指定しています。


Q: ExploratoryはProphetをどのように呼び出しているのですか?そのコードは公開されていますか?
Exploratoryがprophetを呼び出している部分のRのコードは、こちらのgithubレポジトリで公開されています。Q: Prophetを使って時系列データから季節性を取り除きたい
Prophetを用いることで時系列データから季節性(年周期、など)を求めることができ、その結果を元に実測値から季節性の値を除くことで季節性を除去した値を求めることが可能です。 詳細については、こちらのノートをご覧ください。Q: 全日が欠損の月の売上が、月次集計で0になる
例えば、売上の将来のデータが欠損値(NA)だったとします。下の例は、先ほどの架空の「売上予測サンプル」で、最後の90日(2023年10月3日以降)の売上を欠損値にしたものです。この例は外部予測変数を指定せず、日付の単位を「MON」(月)、値を「売上」の合計値(SUM)にして実行します。
forecasted_value)は、別に計算されています。



