概要
Leo Breiman のランダム フォレスト アルゴリズムを転用して、時空間キューブの各位置の値を予測します。フォレスト回帰モデルは、時空間キューブの各位置でタイム ウィンドウを使用してトレーニングされます。
図
使用法
このツールでは、[ポイントの集約による時空間キューブの作成 (Create Space Time Cube By Aggregating Points)] ツール、[定義済みのフィーチャから時空間キューブを作成 (Create Space Time Cube From Defined Features)] ツール、および [多次元ラスター レイヤーから時空間キューブを作成 (Create Space Time Cube from Multidimensional Raster Layer)] ツールによって作成された netCDF ファイルを使用できます。
時系列予測 ツールセットの他の予測ツールと比較すると、このツールは最も複雑ですが、データに関する前提が最も少なくて済みます。単純な数学関数でモデル化することが難しい複雑な形状や傾向を持つ時系列や、他の方法の前提を満たさない場合にお勧めします。
[位置による予測評価 (Evaluate Forecasts By Location)] ツールを使用して、予測される複数の時空間キューブを比較およびマージできます。これによって、別々の予測ツールやパラメーターを使用して複数の予測キューブを作成し、予測 RMSE (二乗平均平方根誤差) または検証 RMSE を使用して場所ごとに最適な予測をツールで判定できます。
このツールは、[入力時空間キューブ] のそれぞれの場所について、異なる目的を果たす 2 つのモデルを構築します。
- 予測モデル - このモデルは、時空間キューブの値の予測に使用されます。時系列の値を使用してフォレストを構築し、このフォレストを使用して未来の時間ステップの値を予測します。予測モデルが時空間キューブの値にどの程度適合しているかは、予測 RMSE 値により測定されます。
- 検証モデル - このモデルは、予測モデルを検証し、値の精度をテストするために使用されます。[検証で除外する時間ステップの数] パラメーターに 0 を上回る数字が指定された場合、このモデルは包含されている時間ステップを使用して構築され、除外された時間ステップの値の予測に使用されます。これにより、選択したモデルが値をどれだけ的確に予測できるかを確認できます。予測される値が除外された値とどの程度適合しているかは、検証 RMSE 値により測定されます。
[出力フィーチャ] パラメーター値は [コンテンツ] ウィンドウに追加され、最終的に予測された時間ステップに基づいてレンダリングされます。
-
このツールは、予測結果の理解と視覚化に役立つよう、ジオプロセシング メッセージとポップアップ チャートを作成します。メッセージには、時空間キューブの構造と、RMSE 値および季節の長さの統計情報サマリーに関する情報が含まれます。[マップ操作] ナビゲーション ツールを使用してフィーチャをクリックすると、その場所の時空間キューブ、適合フォレスト値、予測値、信頼区間などの値を表示した [ポップアップ] ウィンドウに、ライン チャートが表示されます。
[外れ値オプション] パラメーターを使用して、各場所における時系列値の統計的に有意な外れ値を検出できます。
[外れ値オプション] パラメーターで [外れ値の特定] オプションを選択した場合、[時間ステップ ウィンドウ] パラメーターを空のままにして各位置で異なる時間ステップ ウィンドウを見積もるのではなく、このパラメーターに値を指定することをお勧めします。フォレスト モデルは各位置で予測モデルをトレーニングするために最初の時間ス テップ ウィンドウの時間ステップを使用し、外れ値は残りの時間ステップでのみ検出されます。トレーニングの際に各位置で異なる数の時間ステップが除外されている場合、時間ステップ単位または位置単位で外れ値の平均値、最小値、最大値などの要約統計量を出力することは誤解を招く恐れがあります。
検証のとき、どの程度の時間ステップを除外するかは重要な選択です。除外する時間ステップを増やすと、検証モデルを推定する時間ステップが少なくなってしまいます。ただし、除外する時間ステップが少なすぎると、検証 RMSE は少量のデータを使用して推定されることになり、誤解を招きやすくなります。検証モデルの評価に十分な時間ステップを維持しながら、できる限り多くの時間ステップを除外することをお勧めします。また、時空間キューブに十分な時間ステップが存在するなら、最低でも予測に使用する時間ステップと同じ数の時間ステップを検証用に保持することをお勧めします。
構文
arcpy.stpm.ForestBasedForecast(in_cube, analysis_variable, output_features, {output_cube}, {number_of_time_steps_to_forecast}, {time_window}, {number_for_validation}, {number_of_trees}, {minimum_leaf_size}, {maximum_depth}, {sample_size}, {forecast_approach}, {outlier_option}, {level_of_confidence}, maximum_number_of_outliers)| パラメーター | 説明 | データ タイプ |
in_cube | 将来の時間ステップについて予測する変数を含む netCDF キューブ。このファイルは、*.nc ファイル拡張子が付加され、[ポイントの集約による時空間キューブの作成 (Create Space Time Cube By Aggregating Points)] ツール、[定義済みの場所から時空間キューブを作成 (Create Space Time Cube From Defined Locations)] ツール、または [多次元ラスター レイヤーから時空間キューブを作成 (Create Space Time Cube from Multidimensional Raster Layer)] ツールで作成されている必要があります。 | File |
analysis_variable | 将来の時間ステップについて予測される、netCDF ファイル内の数値変数。 | String |
output_features | 時空間キューブ内のすべての位置の出力フィーチャクラスで、予測される値がフィールドとして格納されます。レイヤーには最終時間ステップの予測と、各位置の時系列、予測、および 90% の信頼区間を示すポップアップ チャートが表示されます。 | Feature Class |
output_cube (オプション) | 入力時空間キューブの値を含み、予測された時間ステップが追加された、新しい時空間キューブ (*.nc ファイル)。[時空間キューブを 3D で視覚化 (Visualize Space Time Cube in 3D)] ツールを使用して、観測および予測されたすべての値を同時に参照できます。 | File |
number_of_time_steps_to_forecast (オプション) | 予測する時間ステップ数を指定する正の整数。この値は、入力時空間キューブの合計時間ステップ数の 50% より大きくできません。デフォルト値は 1 時間ステップです。 | Long |
time_window (オプション) | モデルをトレーニングする際に使用する、以前の時間ステップの数。データに季節性 (繰り返しサイクル) がある場合は、1 サイクルに対応する時間ステップの数を入力します。この値は、入力された時空間キューブの時間ステップ数の 1/3 を上回ることはできません。値を指定しない場合、スペクトル密度関数を使用して、各位置についてタイム ウィンドウが見積もられます。 | Long |
number_for_validation (オプション) | 各時系列の最後で、検証のため除外する時間ステップ数。デフォルト値は入力時間ステップ数の 10% (端数切り捨て) で、この値は時間ステップ数の 25% より大きくできません。値 0 を指定すると、時間ステップは一切除外されません。 | Long |
number_of_trees (オプション) | フォレスト モデル内で作成するツリーの数。通常、ツリーの数を多くすると、モデル予測の精度は上がりますが、そのモデルでの計算時間が長くなります。ツリーのデフォルト数は 100 です。この値は最低 1 、最大 1,000 です。 | Long |
minimum_leaf_size (オプション) | リーフを維持するために最低限必要な観測数 (これ以上分割できないツリー上のターミナル ノード)。大規模なデータの場合は、この数を増やすと、このツールの実行時間が短くなります。 | Long |
maximum_depth (オプション) | ツリーの下に作成される分割の最大数。最大ツリー階層の値を大きくすると、さらに多くの分割が作成されるため、モデルの過剰適合の可能性が高くなります。値を指定しない場合、モデルが作成したツリーの数と時間ステップウィンドウのサイズに基づき、ツールが値を特定します。 | Long |
sample_size (オプション) | 予測モデルの適合に使用するトレーニング データの割合。トレーニング データは、タイム ウィンドウを使用して構築された、関連する説明変数と独立変数から成ります。残りのトレーニング データはすべて、予測モデルのパラメーターの最適化に使用されます。デフォルトは 100 パーセントです。 | Long |
forecast_approach (オプション) | 各位置のフォレスト モデルのトレーニングの際に説明変数と独立変数を表示する方法を指定します。 予測に使用するフォレスト モデルをトレーニングするには、タイム ウィンドウを使用して説明変数と独立変数のセットを作成する必要があります。このパラメーターを使用して、これらの変数が線形にトレンド除去されるかどうか、独立変数が未加工の値によって表されるか線形回帰モデルの残差によって表されるか、などを指定します。この線形回帰モデルは、説明変数としてタイム ウィンドウのすべての時間ステップを使用し、独立変数として後続の時間ステップを使用します。残差は、線形回帰に基づいて予測された値を、独立変数の未加工の値から減算することによって計算されます。
| String |
outlier_option (オプション) | 統計的に有意な時系列外れ値が特定されるかどうかを指定します。
| String |
level_of_confidence (オプション) | 時系列外れ値のテストの信頼度を指定します。
| String |
maximum_number_of_outliers | 各場所で外れ値を宣言できる時間ステップの最大数。デフォルト値は、入力時空間キューブの時間ステップ数の 5 パーセント (端数切り捨て) に相当します (1 以上の値が必ず使用されます)。この値は、時間ステップ数の 20 パーセントを超えることはできません。 | Long |
コードのサンプル
次の Python スクリプトは、[ForestBasedForecast] ツールの使用方法を示します。
import arcpy
arcpy.env.workspace = "C:/Analysis"
# Forecast four time steps using a random forest with detrending.
arcpy.stpm.ForestBasedForecast("CarTheft.nc","Cars_NONE_ZEROS",
"Analysis.gdb/Forecasts", "outForecastCube.nc"
4, 3, 5, 100, "", "", 100, "VALUE_DETREND")次の Python スクリプトで、ForestBasedForecast ツールを使用して自動車窃盗件数を予測する方法を示します。
# Forecast change in car thefts using a random forest.
# Import system modules.
import arcpy
# Set property to overwrite existing output, by default.
arcpy.env.overwriteOutput = True
# Set workspace.
workspace = r"C:\Analysis"
arcpy.env.workspace = workspace
# Forecast three time steps using a random forest based on change.
arcpy.stpm.ForestBasedForecast("CarTheft.nc","Cars_NONE_ZEROS",
"Analysis.gdb/Forecasts", "outForecastCube.nc"
4, 3, 5, 100, "", "", 100, "CHANGE",
"IDENTIFY", "90%", 4)
# Create a feature class visualizing the forecasts.
arcpy.stpm.VisualizeSpaceTimeCube3D("outForecastCube.nc", "Cars_NONE_ZEROS",
"VALUE", "Analysis.gdb/ForecastsFC")ライセンス情報
- Basic: はい
- Standard: はい
- Advanced: はい
関連トピック
- 時空間パターン マイニング ツールボックスの概要
- 時系列予測ツールセットの概要
- カーブ フィット予測 (Curve Fit Forecast)
- 指数平滑法予測 (Exponential Smoothing Forecast)
- 位置による予測評価 (Evaluate Forecasts By Location)
- 時系列解析における外れ値の概要
- フォレストベースの予測 (Forest-based Forecast) の概要
- フォレストベースの分類と回帰分析 (Forest-based Classification and Regression)
- フォレストベースの分類と回帰分析 (Forest-based Classification and Regression) の詳細
- ジオプロセシング ツールの検索