Einführung in die Zeitreihenanalyse ~ Saisonales Anpassungsmodell ~ In R und Python implementiert

Einführung

Dies ist der 19. Artikel des Gunosy Advent Calender 2015. Dieses Jahr ist auch vorbei.

Ich habe im November bei Gunosy angefangen und es hat viel Spaß gemacht. Da ich normalerweise Datenanalyse und Algorithmusentwicklung mache, werde ich dieses Mal kurz die in der Geschäftsanalyse verwendete Zeitreihenanalyse vorstellen.

Was ist Zeitreihenanalyse?

"Die Zeitreihenanalyse ist ein Versuch, Schwankungen eines bestimmten Phänomens in Bezug auf vergangene Bewegungen zu erfassen." [Aus "Einführung in die Zeitreihenanalyse" von Genshiro Kitagawa](http://www.amazon.co.jp/%E6%99%82%E7%B3%BB%E5%88%97%E8%A7%A3%E6 % 9E% 90% E5% 85% A5% E9% 96% 80-% E5% 8C% 97% E5% B7% 9D-% E6% BA% 90% E5% 9B% 9B% E9% 83% 8E / dp / 4000054554)

Die Begriffe "datengesteuertes Management" und "Big Data" beginnen Wurzeln zu schlagen, und ich denke, dass viele Unternehmen Entscheidungen treffen, um ihre Produkte basierend auf den Daten zu verbessern. Daten, die sich täglich ändern (insbesondere Indikatoren, die als Verkäufe und KPIs bezeichnet werden), variieren jedoch stark, und es kann schwierig sein, Änderungen richtig zu erfassen. Daher kann eine Zeitreihenanalyse verwendet werden, um Änderungen richtig zu erfassen und Vorhersagen genau zu machen.

Saisonale Anpassung

Dieses Mal werde ich die saisonalen Anpassungsdaten vorstellen. Grob gesagt Zeitreihendaten Beobachteter Wert = Trendkomponente + saisonale Komponente + Rauschkomponente Dies ist das in erläuterte Modell.

• Detaillierte Erklärung ist [Genshiro Kitagawa "Einführung in die Zeitreihenanalyse"](http://www.amazon.co.jp/%E6%99%82%E7%B3%BB%E5%88%97%E8%A7% A3% E6% 9E% 90% E5% 85% A5% E9% 96% 80-% E5% 8C% 97% E5% B7% 9D-% E6% BA% 90% E5% 9B% 9B% E9% 83% Wir würden uns freuen, wenn Sie sich auf Kapitel 12 von 8E / dp / 4000054554) beziehen könnten.

Die Apps, die wir anbieten, werden auch vom Rhythmus des menschlichen Lebens beeinflusst, solange sie eng mit dem menschlichen Leben verbunden sind. Es gibt ungefähr "Monatsfaktor", "Tagesfaktor" und "Zeitfaktor", aber dieses Mal werde ich mich auf den Tag konzentrieren und die Stichprobe implementieren.

Implementierung in R.

Ich möchte es mit den Daten von Tokyo Electric Power implementieren. Zuerst mache ich es mit R. Geben Sie zunächst die Rohdaten aus.

data <- read.csv("tokyo2015_day.csv", header=T) #Holen Sie sich Daten von CSV
power <- data[,2] #Zahlen extrahieren
plot(power, type="l") #Handlung

Es ist gezackt. R hat eine "ts-Funktion", die Daten in periodische Daten umwandelt, und eine "stl-Funktion", die sie in saisonbereinigte Zeitreihendaten umwandelt. Mit diesen können Sie problemlos ein saisonbereinigtes Modell erstellen.

data <- read.csv("tokyo2015_day.csv", header=T) #Holen Sie sich Daten von CSV
power <- data[,2] #Zahlen extrahieren
plot(power, type="l") #Handlung

ts <- ts(power, frequency=7) #Der Zyklus beträgt 7 Tage(1 Woche)
stl <- stl(ts, s.window="periodic") #Erstellung von Zeitreihendaten für die saisonale Anpassung

plot(stl, type="l") #Handlung

Der obere Teil der vier Diagramme enthält die Rohdaten (beobachtete Werte), die in der Reihenfolge von oben in "Trendkomponente", "saisonale Komponente" und "Rauschkomponente" unterteilt werden können.

Bei der Datenanalyse können langfristige Änderungen anhand von Trendkomponenten erfasst werden.

Eine kleine Überlegung

Immerhin sind Sommer und Winter hoch und der Einfluss des Tages scheint groß zu sein (man kann sehen, dass viele Menschen in einem ähnlichen Zyklus leben). Die Hauptelemente für die Tageskomponente sind wie folgt. Da der 1. Januar 2015 der Start und der 1. Januar der Donnerstag ist, können Sie sehen, dass die saisonale Komponente der Feiertage (Samstag, Sonntag) negativ ist.

$ print(stl$time.series[,1]) #Saisonale Komponenten ausgeben
2321.9288  1927.3324 -2517.1524 -6122.9112   293.1919  1872.1087  2225.5017...

Wenn Sie sehen, dass der Stromverbrauch im Sommer stark sinkt, denken Sie: "Es ist wahr, dass es dieses Jahr ab September plötzlich kühler wurde." (* Ich kann nichts sagen, wenn ich es nicht mit anderen Jahren vergleiche)

Implementierung in Python

Ich mache es auch in Python. Das ist Jupyter. Was wir tun, ist dasselbe.

import csv
import datetime as datetime  
import matplotlib.pyplot as plt
import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose
%matplotlib inline

filename = "tokyo2015_day.csv"
with open(filename, 'rt') as f:
    data = list(csv.reader(f))

headers = data.pop(0)
df = pd.DataFrame(data, columns=headers)

dataFrame = DataFrame(df['power'].values.astype(int), DatetimeIndex(start='2015-01-01', periods=len(df['power']), freq='D'))
ts = seasonal_decompose(dataFrame.values, freq=7)

plt.plot(ts.trend) #Trendkomponente

plt.plot(ts.seasonal) #Saisonale Zutaten

plt.plot(ts.resid) #Geräuschkomponente

Vielen Dank

Ein Teil des Python-Codes wurde von @moyomot von R nach Python umgeschrieben.

abschließend

Das Ende

Referenzmaterial

[Genshiro Kitagawa "Einführung in die Zeitreihenanalyse"](http://www.amazon.co.jp/%E6%99%82%E7%B3%BB%E5%88%97%E8%A7%A3%E6% 9E% 90% E5% 85% A5% E9% 96% 80-% E5% 8C% 97% E5% B7% 9D-% E6% BA% 90% E5% 9B% 9B% E9% 83% 8E / dp / 4000054554)