目的

• 仕事に直結していないが、時系列データの分析に興味があったため、基本動作を確認することにした。

Amazon Forecast とは（自分の理解）

• 過去の時系列データ、および関連データを入力すると、それらのデータを元に未来予測を行ってくれるサービス。

やったこと

• 気象庁のオープンデータから、過去の東京地方の日次平均気温データを取得。
• 4年分の過去データ(2015/9/1～2019/8/31)をAmazon Forecastに入力。2019/9/1～2019/9/30の予測を出力させる。
• 2019/9/1～9/30の値について、Forecastが出力した予測と、実際のデータを比較し、予測の正確性を確認する。

構成図

作業手順

データの準備

• 気象庁のデータ公開サイトから、過去の東京の平均気温データをダウンロードする。
• 整形前のデータ(.xls)は以下のフォーマットになる。

• forecastで処理できるフォーマットに整形する。不要な列を削除し、日付のフォーマットを修正する。日付はExcelの機能で「yyyy-mm-dd hh：mm：ss」（「:」は実際には半角）を指定して整形する。

• 4年分のデータをグラフにすると以下のようになる。30℃(真夏)～5℃(真冬)の間を推移する。

Forecastでの処理

処理プロセス

大きく分けて以下の3つの処理を実施する。

• Dataset Group ：入力データの作成

  • S3にcsvデータをアップロード。
  • forecastにて、入力データとしてそのcsvを指定して読み込ませる。

• Train predictor ：学習モデルの作成

  • 各種パラメータを入力し学習処理を行う。
    • Forecast Frequency(データの頻度): 今回は1日(日次データなので)
    • Forecast Horizon(何周期予測する): 100(約3か月分の未来を予測)

• Generate forecasts :予測の作成

  • 実際に予測を作成する。

処理時間

上記のそれぞれのプロセスでの所要時間は以下の通り。今回のデータ量は約1500行(365日*4年分)だが、それなりに時間がかかる。

• Dataset Groupの作成(データのimport)：約4分
• Train predictor(学習モデルの作成)：約90分
• Generate Forecasts(予測の作成)：約90分

予測の出力

2019/7,8月分（入力データ）と、2019/9月分（予測データ）を表示。9月はだんだん寒くなっていくので、正しい傾向での予測はできている。

予測データの検証

2019/9月分について、forecastが予測したデータと、気象庁から取得した実データを比較する。大きく外してはなさそうだが正確かどうかは素人では判断不能。

所感

• 基本的な手順としては簡単なので、サーバの負荷の予測とか、実業務に関わるところに活かせないかを考えてみたい。
• 学習のアルゴリズムとして、ARIMA, Deep_AR_Plus, ETS, NPTS, Prophetが選択可能で、今回は自動選択にしたところ「Deep_AR_Plus」が使用されていた。公式ドキュメント:　Amazon Forecast アルゴリズムを選択するにそれぞれの解説があるが、さっぱり分からないため、理解して使おうとするとかなり奥深そう。

参考

• Amazon Forecast を使ってお手軽に時系列予測する（GUI編）

  • これを読めば一通り理解し、ハンズオンできる分かりやすい記事。

• Amazon Forecastを使ってむこう1年のビットコインの相場を予想してみた

  • 複数のアルゴリズムを全て試して差を確認している良記事。