輸送需要を予測する機械学習モデル

次の図は、トレーニングデータの例を示しています。ターゲットは予測対象であり、関連する時系列 1 および 2 はターゲットの予測に関連する入力特徴です。履歴データはトレーニングと検証に使用され、モデル検証のために履歴データの期間を保留します。

需要予測では、出力 (またはターゲット) は予測する需要量です。入力機能は、出力に関連する時系列データです。ML モデルをトレーニングして需要量の正確な予測を行うには、ソリューションに 2 つの機械学習モデルが必要です。最初のモデルは、内部データと外部データの両方を含む入力特徴の時系列予測を行います。2 番目のモデルは、すべての機能を使用して最終的な需要予測を行います。これら 2 つのモデルを一緒に使用することで、時系列の傾向と、ターゲットと入力の関係を効果的にキャプチャできます。

入力特徴量予測の ML モデル

入力機能には、内部および外部の履歴時系列データが含まれます。各特徴量の予測を行うには、1 次元 (1D) 時系列モデルを使用できます。さまざまなアルゴリズムを使用できます。例えば、 Prophetは強力な季節的な効果と数シーズンの履歴データを持つ時系列に最適です。予測は、個々の機能ごとに生成されます。

ターゲット変数予測の ML モデル

出力の ML モデル、つまり需要量は、すべての機能と出力の関係をキャプチャするために構築されます。、、、 などlasso、さまざまな教師あり回帰モデルを使用できますridge regressionrandom forestXGBoost。モデルを構築し、最適なパラメータとハイパーパラメータを見つけるときは、ホールドアウトデータを使用できます。ホールドアウトデータは、機械学習モデルのトレーニングに使用されるデータセットから保留される、過去のラベル付きデータの一部です。ホールドアウトデータと予測を比較することで、ホールドアウトデータを使用してモデルのパフォーマンスを評価できます。