間歇需要の予測

予測をするときに，累積量をとってからProphetなどを使うと，不思議とよくなることを経験的に分かっていたが，理論を付加するべきだと気づいた．

予測には色々な手法があるが，Prohetは一般化加法モデルをもとに，実用的な条件を付加しているので使える．

ただし，間歇需要に代表されるように，予測すべき需要量が離散値だと，Prophetで仮定としている誤差が正規という条件を満たすのが難しいので，予測が当たらない．Poisson需要を仮定したベイズモデルを自分で作ってMCMCを適用すれば良いかもしれないが，自作するのは面倒だ．

需要量の累積値をとれば，傾向変動で予測した後の誤差は正規になることが多いので，それを使うのがアイディアだ．

例としてgithubのアクセス数を考える．vega_datasetsにデータがある．Google Colabだともとから入っている．モジュールをインポートする．

import pandas as pd
from fbprophet import Prophet
from vega_datasets import data
import plotly.express as px
import fbprophet.plot as fp
import plotly.io as pio
pio.renderers.default = "colab"

データを読み込む．

github = data.github()

ばらつきがひどいので，通常はlogをとるか，Yao-Johnson変換をするがいまいちだ．よって累積をとってからProphet用にrenameして，予測する．

github["cumsum"] = github["count"].cumsum()
github.rename(inplace=True,columns={"time":"ds","cumsum":"y"})

model = Prophet().fit(github)
future = model.make_future_dataframe(periods=200, freq='H')
forecast = model.predict(future)
model.plot(forecast);

驚くほど当たる．誤差も正規分布になる．

上の例題を含むProphetで予測をする例題と練習問題を作成しました．githubに置いておきます．

https://github.com/mickeykubo/analytics_book/blob/master/forecast1_0.ipynb