> ## Documentation Index
> Fetch the complete documentation index at: https://docs.exploratory.io/llms.txt
> Use this file to discover all available pages before exploring further.

# 時系列クラスタリング

> アナリティクス・ビューの「時系列クラスタリング」で、時系列のトレンドが似ているグループを分類します。

時系列クラスタリングは、時系列のトレンドが似たグループを分類するアナリティクスです。

## 何ができるか

下のように、時系列のトレンドをグループ別（例：都道府県、国）に可視化したチャートがあったとします。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-01.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=3a8e548f640e02e1b413cf06329c0823)

線の数（グループの数）が多すぎて、どういった特徴があるのかをすぐに判断するのは困難です。時系列クラスタリングを使うと、トレンドが似たグループをまとめられます。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-02.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=e559fff17c1ff6bc0a040a72087990ba)

時系列クラスタリングを使うと、次の質問に答えられます。

* 同じようなトレンドの傾向があるグループは何か。
* そのグループの時系列のトレンドには、どういった特徴があるか。

## 時系列クラスタリングを実行する

今回はサンプルデータとして、[都道府県別の人口データ](https://exploratory.io/data/exploratory/vRt4XMq2)を使用していきます。

このデータは1行が都道府県別の1年単位のデータで、列には調査年、都道府県、人口などの列があります。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-03.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=68c04d31d7fc977546298a959be9b8de)

***

アナリティクスビューを開き、「タイプ」のメニューから「時系列分析」を選ぶと、「時系列予測（Prophet）」「時系列予測（ARIMA/SARIMA）」「時系列クラスタリング」が表示されます。ここでは「時系列クラスタリング」を選択します。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-04.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=1b4788e99720828c4a56a12bed94ac5b)

「グループ」に「都道府県」、「日付/時間」には「調査年」を選び、「丸め処理」から「年」を指定します（表示は「調査年」の横が YEAR になります）。「値」に「人口」（SUM）を選択します。最後に、実行ボタンをクリックします。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-05.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=a8f5efd28b17cd06d8d5a04fc85df3cb)

都道府県別の人口のデータを使って、時系列クラスタリングを実行できました。「分析結果」には、都道府県が3個のクラスター（グループ）に分類されたことと、クラスターごとのグループの数が表示されます。この例では、クラスター1が20、クラスター2が11、クラスター3が16都道府県です。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-06.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=8a84a26c07772427ce04aac9141c22b5)

デフォルトのクラスターの数は3ですが、「設定」の「クラスタリング」からクラスターの数を変更できます。同じ画面で、クラスター中心の計算アルゴリズム（初期値は DTW Barycenter Averaging）、距離の計算アルゴリズム（初期値は DTW with L2 Norm）、ランダム・シードも変更できます。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-07.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=623a618e5ae7fbf0c473ac66dee2bd21)

## 結果の解釈

結果はレポートとして縦に並び、上部の「分析結果」「主要な統計指標」「補足情報」「最適なクラスター数」「次のステップ」といったリンクから各節へ移動できます。

### 時系列のパターン

「時系列のパターン」では、都道府県ごとの人口の実測値の推移を、ラインチャートでクラスターごとに確認できます。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-08.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=a499c34237a90f63d38b8a686c0b8fed)

### 標準化された時系列のパターン

「標準化された時系列のパターン」では、先ほどの「時系列のパターン」と似ていますが、値はそれぞれのグループで標準化した値を可視化しています。

今回の都道府県ごとの人口のように、東京都と沖縄県では人口に大きな違いがあります。しかし、人口の大きさに違いがあるグループがあったとしても、その都道府県の時系列のトレンドが上がっているのか、下がっているのかを同じ基準で確認しやすくしたのが、標準化された時系列のパターンです。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-09.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=5a2125b56db05b6bc5ce6ef0813119c5)

### クラスターの中心パターン

「クラスターの中心パターン」では、グループごとに描かれた線の中心となる線をクラスターごとに引いたものが「赤色」の線として確認できます。この中心線をみることで、そのクラスターでは時系列のトレンドが上がっているのか、下がっているのかを視認しやすくなります。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-10.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=cc61250337836293dc02208d12610c3d)

### クラスターのメンバー構成

「クラスターのメンバー構成」では、グループに設定したカテゴリが、どのクラスターに属しているかを表形式で確認できます。

![](https://mintcdn.com/exploratory-inc/q1x6tA_i8SQtZcMM/ja/analytics/images/ja/time_series_clustering-11.png?fit=max\&auto=format\&n=q1x6tA_i8SQtZcMM\&q=85\&s=12ed2a129b7a6b6a13c88c6f6ba326fa)

## 時系列クラスタリングに関するよくある質問

#### Q: グループ別にデータの不足を調べるには

「補足情報」の「データの有効性確認」では、分析に使用したそれぞれのグループのデータが十分にあるかを確認できます。緑色の点は十分なデータがあることを示しており、データが欠損している、あるいは足りない期間はグレーで表されます。

![](https://mintcdn.com/exploratory-inc/YSc0qYyv1qf3ILWG/ja/analytics/images/ja/time_series_clustering-12.png?fit=max\&auto=format\&n=YSc0qYyv1qf3ILWG\&q=85\&s=f5a7da292b35180e00811c5e35fee0e9)

「設定」の「欠損値を埋める」にある「欠損値 (NA) を埋める方法」では、欠損値の埋め方を選べます。選択肢は「前の値で埋める」（初期値）、「0で埋める」、「線形補間」、「スプライン補間」です。

![](https://mintcdn.com/exploratory-inc/YSc0qYyv1qf3ILWG/ja/analytics/images/ja/time_series_clustering-13.png?fit=max\&auto=format\&n=YSc0qYyv1qf3ILWG\&q=85\&s=1daebb5fdeccdf6bbd308e0a17a559ed)


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.