Suche senden
Hochladen
機械学習を活用した需要予測の提案
•
1 gefällt mir
•
1,534 views
Zhao Weiheng
Folgen
GCI講座最優秀作品
Weniger lesen
Mehr lesen
Ingenieurwesen
Melden
Teilen
Melden
Teilen
1 von 33
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類
Tsubasa Hirakawa
確率ロボティクス第六回
確率ロボティクス第六回
Ryuichi Ueda
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
Sho Tanaka
NumPy闇入門
NumPy闇入門
Ryosuke Okuta
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
The Whole Brain Architecture Initiative
劣モジュラ最適化と機械学習 3章
劣モジュラ最適化と機械学習 3章
Hakky St
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
株式会社メタップスホールディングス
PythonとJupyter Notebookを利用した教科書「詳解確率ロボティクス」の企画と執筆
PythonとJupyter Notebookを利用した教科書「詳解確率ロボティクス」の企画と執筆
Ryuichi Ueda
Weitere ähnliche Inhalte
Was ist angesagt?
ORB-SLAMの手法解説
ORB-SLAMの手法解説
Masaya Kaneko
目で見る過学習と正則化
目で見る過学習と正則化
y-uti
[DL輪読会]Ensemble Distribution Distillation
[DL輪読会]Ensemble Distribution Distillation
Deep Learning JP
食べログのフロントエンドリプレース戦略
食べログのフロントエンドリプレース戦略
Tsuji Yuko
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
Robot frontier lesson2
Robot frontier lesson2
Ryuichi Ueda
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
日本マイクロソフト株式会社
TensorFlowで逆強化学習
TensorFlowで逆強化学習
Mitsuhisa Ohta
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
Shunji Umetani
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
情報検索の基礎 #9適合フィードバックとクエリ拡張
情報検索の基礎 #9適合フィードバックとクエリ拡張
nishioka1
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
Yuya Unno
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
確率ロボティクス第四回
確率ロボティクス第四回
Ryuichi Ueda
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
機械学習とコンピュータビジョン入門
機械学習とコンピュータビジョン入門
Kinki University
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
Jingun Jung
Was ist angesagt?
(20)
ORB-SLAMの手法解説
ORB-SLAMの手法解説
目で見る過学習と正則化
目で見る過学習と正則化
[DL輪読会]Ensemble Distribution Distillation
[DL輪読会]Ensemble Distribution Distillation
食べログのフロントエンドリプレース戦略
食べログのフロントエンドリプレース戦略
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Robot frontier lesson2
Robot frontier lesson2
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
TensorFlowで逆強化学習
TensorFlowで逆強化学習
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
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
情報検索の基礎 #9適合フィードバックとクエリ拡張
情報検索の基礎 #9適合フィードバックとクエリ拡張
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
確率ロボティクス第四回
確率ロボティクス第四回
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
MS COCO Dataset Introduction
MS COCO Dataset Introduction
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
機械学習とコンピュータビジョン入門
機械学習とコンピュータビジョン入門
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
Ähnlich wie 機械学習を活用した需要予測の提案
サイクルモード2016講演資料161104_配布資料
サイクルモード2016講演資料161104_配布資料
Takanori Aoki
【サンプル】競合サイト調査の報告資料
【サンプル】競合サイト調査の報告資料
Chiaki Matsumoto
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
Toshikazu Inoue
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
cotonas_en
宣伝会議サミット2014
宣伝会議サミット2014
Vizury Japan
Power bi勉強会#05
Power bi勉強会#05
Kansei Kushijima
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
cloudmarketing
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
ナイル株式会社
カーシェアリング世界の未来
カーシェアリング世界の未来
Hiroshi Takahashi
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
株式会社クロト
SEO業者事業仕分け論
SEO業者事業仕分け論
Takahiro Ogoshi
AIを支える人間マイクロワーカーの真実
AIを支える人間マイクロワーカーの真実
Hiroshi Takahashi
採用ターゲットをファンにする採用サイト制作
採用ターゲットをファンにする採用サイト制作
Cheena Nedate
LiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネス
Masanori Saito
20070608 e-Trend WorkShop
20070608 e-Trend WorkShop
tkawai
Ähnlich wie 機械学習を活用した需要予測の提案
(15)
サイクルモード2016講演資料161104_配布資料
サイクルモード2016講演資料161104_配布資料
【サンプル】競合サイト調査の報告資料
【サンプル】競合サイト調査の報告資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
宣伝会議サミット2014
宣伝会議サミット2014
Power bi勉強会#05
Power bi勉強会#05
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
カーシェアリング世界の未来
カーシェアリング世界の未来
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
SEO業者事業仕分け論
SEO業者事業仕分け論
AIを支える人間マイクロワーカーの真実
AIを支える人間マイクロワーカーの真実
採用ターゲットをファンにする採用サイト制作
採用ターゲットをファンにする採用サイト制作
LiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネス
20070608 e-Trend WorkShop
20070608 e-Trend WorkShop
機械学習を活用した需要予測の提案
1.
機械学習を活用した 自転車シェアリングの需要予測 及び価格変動モデルのご提案 趙 惟恒
2.
1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3.
機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
3.
1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3.
機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
4.
貴社(Ford Motor)はベイエリアで自転車のシェア リングのビジネスを展開している City Stations Mountain
View 7 Palo Alto 5 Redwood City 7 San Francisco 35 San Jose 16 ステーション数(2015年8月時点)
5.
2014年10月頃をピークに需要は頭打ち傾向 1ヶ月ごとの利用数推移[回]
6.
需要が頭打ちになる要因: そもそも需要数は場所などによってオーダーが大きく異る 集計期間:2013/8~2015/8の3年間 例えば、San Francisco, San
Joseなどのダウンタウンでは利用数5万回を 超えているところもあるが、Palo Altoのような学生街は2千回前後。 ほかにも、時間帯、月、位置、 天気など様々な影響要因が考 えられる
7.
需要が頭打ちになる要因: しかし、ステーションのdock数は各都市20前後で平準 化されており、需要に合わせた数を配置できていない 集計期間:2013/8~2015/8の3年間
8.
需要が頭打ちになる要因: 価格プランも膠着的、需要に合わせた柔軟な設定 が出来ていない 現状の価格設定(非会員) 一回:3ドル(30min上限) 一日:9.95ドル(24時間;30min制限) 一年:149ドル(年間;45min制限)
9.
利用数の頭打ち傾向を改善するには、需要を正確に把握し、 利用ニーズの取りこぼし/無駄を解消する必要がある 需要数は月、日、場所など様々 な要因によって変動する ステーションdocks数、 価格設定は膠着的 受給のアンマッチが発生し、お客さんの利用ニーズ を取りこぼし/無駄を引き起こしている 近い未来の利用数を正確に予測し、 需要に合わせた柔軟な価格、docks数設定が必要 機械学習による需要予測モデルのご提案
10.
1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3.
機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
11.
需要変動の影響要因: そもそも、平日/休日によって需要が大きく異なる 平日の需要は休日の2-3倍前後 集計期間:2013/8~2015/8の3年間 Weekday: Mon/Tue/Wen/Thu/Fri Weekend: Sat/Sun一日ごとの利用数推移[回]
12.
需要変動の影響要因: 曜日の影響は都市によってもことなる。ダウンタウン は休日の利用が激減するが学生街は減らない 集計期間:2013/8~2015/8の3年間
13.
需要変動の影響要因: 時間帯によっても大きく変動する、平日の朝・夜ラッ シュ時は利用数が高く、昼と夜は利用が少ない 集計期間:2013/8~2015/8の3年間
14.
需要変動の影響要因: 全体として夏季、特に7月の利用数が高く、 冬季、特に12月の利用が少ない 集計期間:2013/8~2015/8の3年間
15.
需要変動の影響要因: 雨、霧、雷など気象イベントがない日(No_RainForg) の利用が多い 集計期間:2013/8~2015/8の3年間
16.
需要変動の影響要因: 気温による影響も若干ある模様 気温が高いほど利用数が若干増える傾向にある 休日平日 集計期間: 2013/8~2015/8の3 年間
17.
需要変動の影響要因: 参考:風の強さとはあまり関係がない模様 このように、天気と利用数も関連があると思われる 休日平日 集計期間: 2013/8~2015/8の3 年間
18.
1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3.
機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
19.
需要予測モデルのご提案: ステーション位置/月/日付/時間帯/天気などを説明変数と し、ステーションの時間帯別利用数の予測するモデルを機 械学習で構築 入力 出力 ステーション位置 (LAT, LONG) 年月日 (2013/2014/2015) 平日/休日 (Weekday/Weekend) 時間帯 (ラッシュアワーなど) 気温、湿度など 天気データ ステーション別、 時間帯別利用数 ステーション位置、年月日、平日 休日フラグ、時間帯フラグ、各種 天気データを入力データにセット 出力データには、 ステーション別時 間帯別需要数を セット 入力と出力を元に、複数モデルによる機械学習 を実施し、予測精度が最も高いモデルを選択 x1 x2 x3 xn xn-1 …. y 利用数予測 入力データ 日々の時間帯別利用数を予測するモデルを作成 1 23 4 … 重回帰 Rige回帰 Lasso回帰 Random
Forest 決定木 Gradient Boosting Ada Boosting 機械学習モデル
20.
説明変数 要因/単位 取得先 ステーション緯度(LAT)
度 Stationデータより取得 ステーション経度(LONG) 度 Stationデータより取得 年 2013/2014/2015 Tripデータ 月 1/2/3/4/5/6/7/8/9/10/11/12 Tripデータ 日 1-31日 Tripデータ 曜日 Weekday(月曜日 ~ 金曜日) Weekend(土曜日、日曜日) Tripデータより条件分岐で作成、 変数ダミー化 時間帯 Moring Rush (6-10時) Noon(11-15時) Evening Rush(16-20時) Night(21-翌日5時) Tripデータより 条件分岐で作成 変数はダミー化 天気イベント No_RainFog(イベントなし)/Rain/Fog-Rain/ Rain-Thunderstorm Weatherデータ* 平均気温 F Weatherデータ* 平均湿度 % Weatherデータ* 平均風速 mph Weatherデータ* 平均気圧 inches Weatherデータ* 雲量 0/1/2/3/4/5/6/7/8 Weatherデータ* 可視度 Miles Weatherデータ* 降水量 Inches Weatherデータ* 各種前提条件: 説明変数・被説明変数一覧 2013年8月~2015年8月までのデータを結合、集計 被説明変数 要因/単位 取得先 利用数 (Trips) 回 Tripsデータより、説明変数で groupbyして集計 *weatherデータは欠損値が存在す るため、時系列であることを考慮 し、直前のデータで補間
21.
各種前提条件: 選択モデル、学習・検証データ、精度検証条件 • 選択モデル • 重回帰 •
Rige回帰 • Lasso回帰 • 決定木 • 学習データ • 2013年-2015年データのうち、ランダムに抽出された8割前後の データ・セット • 検証データ • 2013年-2015年データのうち、ランダムに抽出された2割前後の データ・セット • 精度検証条件 • 5回のクロスバリデーションによって検証 • Random Forest • Gradient Boosting • Ada Boosting
22.
モデルの選択: クロスバリデーションの結果、Random Forestの精度 が一番高かったため、予測モデルに使用 検証モデル Mean
R2 Negative Mean Squad Error 重回帰 0.24 -40.02 Rige回帰 0.24 -40.02 Lasso回帰 0.00 -52.65 決定木 0.68 -16.68 Random Forest 0.85 -8.22 Gradient Boosting 0.60 -21.05 Ada Boosting 0.40 -31.53
23.
ハイパーパラメータチューニング: Random Forestモデルについて、以下のパラメータ条件で グリッドサーチによるパラメータチューニングを実施 tuned_parameters_rdfr =
{ "max_depth": [2,3, None], "n_estimators":[100, 200, 300], "max_features": [1, 3, 5], "min_samples_split": [2, 3, 10], "min_samples_leaf": [1, 3, 10], "bootstrap": [True, False], } 各5回ずつのクロスバリデーションの結果、 最も精度の良い条件を抽出 max_depth=None, max_features=5, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, min_samples_leaf=1, min_samples_split=10, min_weight_fraction_leaf=0.0, n_estimators=300
24.
予測結果の確認: 一日ごとの予測結果は、実際の需要をうまく追従できて いて、実用域に達している 一日ごとの予測利用数と実利用数[回] (総数集計)
25.
予測結果の確認: 参考:100セットだけ取り出した場合の結果 一日ごとの予測利用数と実利用数[回] (総数集計)
26.
予測結果の確認: 時間帯ごとの予測結果も実需要を比較的うまく追従でき ていて、実用域に達していると思われる 時間帯ごとの予測利用数と実利用数 [回] (San
Francisco市, 平日)
27.
時間帯ごとの予測利用数と実利用数 [回] (San
Francisco市, 平日) 予測結果の確認: 参考:100セットだけ取り出した場合の結果
28.
予測結果の確認: 参考:変数の重要度が高いのは、位置(ステーションを 区別)、朝/夜ラッシュ、平日/休日、気温など 変数ごとの重要度(ランダムフォレスト)
29.
1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3.
機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
30.
変動価格モデルのご提案: 現在の膠着的な価格体系を改め、機械学習で予測された需 要数をもとにその日、その時間帯、そのステーションの価 格を柔軟に変動させる 需要数 価格 価格 需要数 変動する需要に対して価格が一定値であり、 需要が多い・少ないときの売上の取りこぼ しが発生する 現在 新価格モデル 機械学習で予測された需要のもと、ステー ション、日付、天気、時間帯の違いに応じ、 価格を上下させることで、需給にあった価格 体系にする 価格変動率%(t) =
(1/価格弾性値)×需要変動率%(t)モデル (例): 価格変動率:設定価格/現在の一定価格 需要変動率:予測需要数/平均需要数
31.
価値の提供方法: 変動価格モデルをスマホアプリに組み込み、お客様に最適 価格をアプリ内決済によってリアルタイムで提供 その時の価格を予測 入力データDock位置 日付/曜日 天気など 1 アプリから必要な 変数データを取得 2 機械学習によってその条件 下での需要数を弾き出す 3
予測された需要数を価格変 動モデルに当てはめ、その 時の最適価格を計算 4 最適価格をアプリで即提案 アプリ内決済による支払い を実施 現在の価格
32.
需要予測に基づいた価格変動率の計算例 時間帯ごとの価格変動率例 (San Francisco市,
平日) 価格弾性値:10 と仮定した場合
33.
APPENDIX • 時間があったら(PCスペックが足りていたら)やってみたかったこと • ステーションごとの稼働率の予測 •
PCスペック不足により、status.csvの集計、処理に時間がかかりすぎてしまい、時間が足 りず(MYSQL, SQLiteで扱っても同じ)。 • SVM、ニューラルネットワークなどのモデルの適用 • Fitメソッドの呼び出しに10分かかるため、クロスバリデーション、ハイパーパラメータ チューニングをする時間が足りず。 • 複数モデルのハイパーパラメータチューニング • PCスペック不足により時間が足りず。 • 価格変動モデルの精緻化 • 思いつく範囲の線形モデルで立ててみたが、実際にはより実情を反映したモデルがあると 思われる。
Jetzt herunterladen