- 作成者：Srikokcharoen Phongwit (パイ)
- 作成日：2025年3月4日 修正第1回2025年3月13日
- 連絡先：GitHub (bamboo51), Email: [email protected]
不明な点があったら，以上の連絡までお願いします．
本プロジェクトに使用するデータセットは東北大学データ駆動科学・ＡＩ教育研究センターの酒井正夫先生と仙台市が収集したものである．このデータセットを共有したことについて謝辞を申し上げます．
東北大学の酒井正夫先生が仙台市の中にBluetooth Low Energy (BLEセンサー)を設置して，周囲に通ったBluetoothデバイスの情報を収集した．本研究はその収集したデータの一部である「第1広瀬ビルの駐車場」を用いて，いくつかの特徴を探索して，そのデータを統計学的モデルSARIMAと深層学習モデルLSTMを用いた予測を行った．
- 本研究における統計的分析や予測は，作成者が当時参考にした書籍の知識をもとに実施したものである．これらを参考にする際や，本分析をそのまま正しいものとして扱う前に，時系列分析の専門家などに確認することを推奨する．
- LSTMやTransformerは実行環境によって結果が異なる．卒業論文で書いた結果は，Windows 11 24H2, Cuda 12.8, Cudnn 9.7
多くの課題は統計学モデルSARIMAにある．
- オーダー(p,d,q)(P,D,Q)の決定
- 自己相関・偏自己相関から求めたパラメータは合っているかどうか？
- 論文上にAutoARIMAの最初に探るパラメータとして設定したが，後でAutoARIMAに任せるので，必要ないかもしれない．
- 階差(d, D)の決定
- 普段はADFとKPSS検定を確認する必要があるかもしれない．
- 残差分析
- 残差分析の結果，SARIMAモデルはデータの全てのパターンを完全には捉えられていないことが判明した．
- 計算時間短縮のためのパラメータ再利用 (add-onで修正した)
- 通常，SARIMAは新しいデータを追加するたびにパラメータを再推定する必要がある．
- しかし，本研究では計算時間を短縮するため，前回学習済みのパラメータを初期値として設定し，再び回帰した．
- Nixtla AutoARIMAとStatsmodels SARIMAの違い (add-onで修正した)
- Nixtla AutoARIMAを使用して最適なモデルパラメータを特定し，Statsmodels SARIMAを用いてローリングフォーキャストを実施した．
- AutoARIMAの結果からオーダー(1,0,3)(2,1,0)が確認され，Statsmodels SARIMAを同オーダーで予測した．しかし，異なるライブラリーであるため，AIC値を確認したところ，異なるモデルだとわかった（深層学習に例えると、「転移学習」ではなく「新規学習」）．
- 白石博, 時系列データ解析, 森北出版社, 2022.
- 斉藤康豨毅, ゼロから作るDeep Learning 2 自然言語処理編, 2018.
- Rob J Hyndman, George Athanasopoulos, "Forecasting: principles and practice, 3rd edition," 17 December 2024. [Online]. Available: OTexts.com/fpp3.
- Peter J. Brockwell, Richard A. Davis, Time Series: Theory and Methods, New York: Springer, 1991.
- M. Peixeiro, Time Series Forecasting in Python, New York: Manning Publications Co., 2022.(コードの引用・参考、詳細は
research_paperの各ファイルまで) - Tarek A. Atwan, Time Series Analysis with Python Cookbook, Packt Publishing, 2022.(コードの引用・参考、詳細は
research_paperの各ファイルまで) - Aileen Nielsen, Practical Time Series Analysis: Prediction with Statistics and Machine Learning, 2019.