参考: Adaptive Planning の機械学習アルゴリズム
Adaptive Planning には、Predictive Forecaster 用のアルゴリズムが複数用意されており、異常検出用にも 1 つが用意されています。すべてのアルゴリズムで十分な結果が得られます。ただし、データに最適なアルゴリズムを見つけるには、試行錯誤プロセスを行うことをお勧めします。
このテーブルは、選択に役立つ一般的なガイドラインと機能を提供しています。予測データの精度を常に確認してください。
アルゴリズムの比較
参照データ ポイントと予測データ ポイントの 3:2 の比率に加えて、各アルゴリズムについてテーブルにリストされている最小データ ポイントも設定している必要があります。
アルゴリズム | 詳細 | 要件と機能 |
|---|---|---|
AutoFit | 分類子モデル | 季節性 : 年間、半年、四半期 ("毎週" および "乗数" オプション)参照時の最小データ ポイント : 15 レバー : はい ノート : 次のようなデータに最適です。
AutoFit では、特定の機能をサポートしていないアルゴリズムを適用できます。例: AutoFit でクロックが適用される場合、季節性とレバーは使用されません。 |
ARIMA | 自動回帰および移動平均モデル | 季節性: ユーザー定義の設定がない季節性の影響を自動的に考慮します。
参照時の最小データ ポイント : 10レバー: はいメモ:
|
クロストン法 | 指数平滑法モデル | 季節性 : いいえ参照時の最小データ ポイント : 2組織 : いいえ 注 :
|
ホルト-ウィンターズ法 | 加算または乗算の季節性モデル
指数平滑法 | 季節性 : 年、半年、四半期 (乗数オプションあり)。参照時の最小データ ポイント : 9 組織 : いいえ 注 :
|
カルマン フィルタ | 状態空間モデル
時系列における既知の履歴値に基づいて将来の値を見積もります。 各ステップの雑音構成要素および前のステップで取得された推定値を考慮して、予測値の平均値を再帰的に推定します。 | 季節性 : 季節性を考慮するかどうかを指定できるオプション。参照時の最小データ ポイント : 2 組織 : いいえ 注 :
|
LightGBM | 監督済ラーニング モデル
遅延と、その予測への影響を使用します。 | 季節性 : いいえ参照時の最小データ ポイント : 12 レバー : はい メモ : 需要予測シナリオに最適です。 |
N-BEATS | 公開データセットを用いて起動されたメタディープ ラーニング モデル。
過去の時系列に関する一般的な知識を持つニューラル ネットワークを作成します。 公開ドメインでも使用されている 60,000 を超える時系列について学習している。 すべての時系列に対して単一のモデルを使用するため、高速です。 | 季節性 : ユーザー定義の設定がない季節性の影響を自動的に考慮します。参照時の最小データ ポイント : 2組織 : いいえ |
Orbit DLT | 加算トレンドと減少トレンド モデル | 季節性 : 年、半年、四半期参照時の最小データ ポイント : 2組織 : いいえ ノート : 次のようなデータに最適です。
|
Prophet | 非線形トレンドの追加モデル
予測プロセスをグラフに適合する問題として定義し、季節性や外部レバに対応する。 | 季節性 : 年間、半年、四半期 ("毎週" および "乗数" オプション)参照時の最小データ ポイント : 2 レバー : はい ノート : 次のようなデータに最適です。
|