[PYTHON] Format d'attaque d'événement Dereste Estimation du point de 1ère place -Modèle d'espace d'état utilisant Pystan-

Aperçu

J'ai appris à analyser avec un modèle d'espace d'états en utilisant Stan dans un livre, alors j'ai pratiqué avec des données réelles.
L'objectif est "d'estimer le numéro un point à la fin de l'événement à la date de début de l'événement"
Cette fois, j'ai utilisé le modèle "tendance linéaire locale" + "variable système temporelle".
** En conséquence, il semble qu'un modèle avec une précision suffisante a été créé **
La première place est "tendance" et "durée de la période de l'événement", ce que je pourrais presque expliquer.
Après tout, c'était plus facile que Prédiction de 2001
Il semble que "l'excitation de chaque événement" n'affecte pas autant la 1ère place, et il semble que les apts fonctionnent à plein temps avec la plus grande efficacité.
[Placer ici](https://github.com/kzy611/qiita/tree/master/dereste_analysis/dereste_event_point_ranking_border/%E3%82%A2%E3%82%BF%E3%83] % 9D% E3% 83% B3_1 / script).
Prévisions pour 2001 est difficile, et je considère des variables explicatives, donc je l'ai essayé comme un changement d'humeur.

Données acquises par Coco extraites uniquement du format d'Attapon

[Consultez Kochi pour les formules](https://qiita.com/kazuya_minakuchi/items/09b010927688b322df9d#%E3%83%AD%E3%83%BC%E3%] dans le contenu du modèle de tendance linéaire local et du modèle de variable du système temporel. 82% AB% E3% 83% AB% E7% B7% 9A% E5% BD% A2% E3% 83% 88% E3% 83% AC% E3% 83% B3% E3% 83% 89% E3% 83% A2% E3% 83% 87% E3% 83% AB)
La ligne rouge est une estimation ponctuelle, la plage rouge est une estimation de section (section 5% -95%)
Le taux de réponse correct pour l'estimation d'intervalle pour les données utilisées pour créer le modèle est de 91,7% (nombre total: 60, nombre de réponses correctes: 55).

En comparant la composante de tendance et le coefficient, il y a une tendance que «la tendance est lisse» et «le coefficient change soudainement».
Les facteurs qui affectent l'efficacité du temps, tels que "l'ajout de caractères haute performance" et "l'implémentation de Grand Drive", semblent être sur le coefficient.

Regardons le ratio comme "ratio = valeur mesurée / valeur prédite"
L'idée que «plus la valeur est élevée, plus l'écart tend à être grand».
Prix parfait pour "Ratio = 1"
Valeur prédite <valeur mesurée lorsque 1 ou plus. Valeur mesurée <valeur prédite inférieure à -1

Je les ai également regardées par ordre décroissant et par mois, mais il n'y avait pas beaucoup de régularité.

Pour créer le modèle de ↑, [Données avant Hero Versus Reinanjo dans la liste des événements](https://imascg-slstage-wiki.gamerch.com/%E3%82%A4%E3%83%99%E3 % 83% B3% E3% 83% 88% E3% 83% 87% E3% 83% BC% E3% 82% BF), donc le prochain [Orange Time](https: // imascg- slstage-wiki.gamerch.com/%E3%80%90%E3%82%A4%E3%83%99%E3%83%B3%E3%83%88%E3%80%91%E3%82%AA J'ai essayé d'estimer le point de 1ère place de% E3% 83% AC% E3% 83% B3% E3% 82% B8% E3% 82% BF% E3% 82% A4% E3% 83% A0)
Informations "Orange Time"
Date: 20/09/2020
Période: 174h
1ère place (réponse): ** 1,250,000 **
Valeur prédite
Estimation ponctuelle: ** 1222458 **
Estimation de l'intervalle (90%): ** 1,102,110 ~ 1,344,647 **
La valeur réelle est incluse dans l'estimation de l'intervalle et l'estimation est réussie.