Suche senden
Hochladen
状態空間モデル等による多変量時系列データ解析
•
Als PPTX, PDF herunterladen
•
5 gefällt mir
•
2,970 views
B
businessanalytics
Folgen
状態空間モデル等による多変量時系列データ解析
Weniger lesen
Mehr lesen
Business
Melden
Teilen
Melden
Teilen
1 von 9
Jetzt herunterladen
Empfohlen
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
MICの解説
MICの解説
logics-of-blue
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
Empfohlen
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
MICの解説
MICの解説
logics-of-blue
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
Deep Learning JP
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Toshinori Hanya
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
Koichiro Gibo
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
離散時間ロジスティック回帰モデル解説
離散時間ロジスティック回帰モデル解説
akira_11
階層ベイズでプロ野球各球団の「本当の強さ」を推定してみる
階層ベイズでプロ野球各球団の「本当の強さ」を推定してみる
Hisao Soyama
強化学習その2
強化学習その2
nishio
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
RでGARCHモデル - TokyoR #21
RでGARCHモデル - TokyoR #21
horihorio
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
情報検索とゼロショット学習
情報検索とゼロショット学習
kt.mako
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
Kenny ISHIMURA
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
businessanalytics
Weitere ähnliche Inhalte
Was ist angesagt?
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
Deep Learning JP
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Toshinori Hanya
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
Koichiro Gibo
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
離散時間ロジスティック回帰モデル解説
離散時間ロジスティック回帰モデル解説
akira_11
階層ベイズでプロ野球各球団の「本当の強さ」を推定してみる
階層ベイズでプロ野球各球団の「本当の強さ」を推定してみる
Hisao Soyama
強化学習その2
強化学習その2
nishio
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
RでGARCHモデル - TokyoR #21
RでGARCHモデル - TokyoR #21
horihorio
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
情報検索とゼロショット学習
情報検索とゼロショット学習
kt.mako
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
Was ist angesagt?
(20)
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
時系列分析による異常検知入門
時系列分析による異常検知入門
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
離散時間ロジスティック回帰モデル解説
離散時間ロジスティック回帰モデル解説
階層ベイズでプロ野球各球団の「本当の強さ」を推定してみる
階層ベイズでプロ野球各球団の「本当の強さ」を推定してみる
強化学習その2
強化学習その2
階層ベイズとWAIC
階層ベイズとWAIC
RでGARCHモデル - TokyoR #21
RでGARCHモデル - TokyoR #21
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
情報検索とゼロショット学習
情報検索とゼロショット学習
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Andere mochten auch
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
Kenny ISHIMURA
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
businessanalytics
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
horihorio
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
Pystan for nlp
Pystan for nlp
Xiangze
PyMC mcmc
PyMC mcmc
Xiangze
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
カルマンフィルタについて
カルマンフィルタについて
tiny_ak
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
Andere mochten auch
(11)
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
Pystan for nlp
Pystan for nlp
PyMC mcmc
PyMC mcmc
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
カルマンフィルタについて
カルマンフィルタについて
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
Kürzlich hochgeladen
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
ssuserfb441f
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
masakisaito12
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
masakisaito12
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
ユニパー株式会社
20240427 zaim academy counseling lesson .pdf
20240427 zaim academy counseling lesson .pdf
ssuser80a51f
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
KayaSuetake1
Service-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadership
Yasuyoshi Minehisa
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ 株式会社
Kürzlich hochgeladen
(8)
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
20240427 zaim academy counseling lesson .pdf
20240427 zaim academy counseling lesson .pdf
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
Service-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadership
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
状態空間モデル等による多変量時系列データ解析
1.
状態空間モデル等による多変量時系列データ解析 ホテル予約サイトにおける予約数予測 株式会社ビジネスアナリティクス 2014/12/24
2.
2 ホテル予約サイトにおける課題 人気のホテルはすぐ満室になってしまう ホテル別の予約数を予測し、 満室になる可能性の高いホテルは早期予約を促進する
3.
3 時系列予測における課題 キャンペーン等の影響により過去の予約実績のみでは予測が困難 最近オープンしたホテル等、十分な予約実績がないホテルが多数存在 来月の予約数は、 当月時点での来月予約数と当月予約数である程度予測できる 「多変量時系列モデル」により予約数を予測
4.
4 予約数予測に利用した予測モデル ベクトル自己回帰移動平均モデル vector autoregressive
moving-average processes with exogenous regressors : VARMAX 状態空間モデル state space model 一般化線形モデル generalized linear model : GLM ベンチマークとして直近の予約データ+GLMで予測モデルを構築
5.
5 STATE SPACEによる予測精度 MAPE :
38%
6.
6 VARMAXによる予測精度 MAPE : 36%
7.
7 GLMによる予測精度 MAPE : 33%
8.
8 結論 予測精度・カバレッジ(予測可能なホテル数)から、 GLMによる予約数予測が最も妥当 但し、より長い時系列データが確保可能なホテルに関しては、 時系列モデルを利用することにより、全体の予測精度改善は十分に可能
9.
9 本資料、および弊社サービスに関するお問い合わせは、 下記までお願いいたします。 contactus@businessanalytics.jp
Jetzt herunterladen