Enviar pesquisa
Carregar
状態空間モデル等による多変量時系列データ解析
•
Transferir como PPTX, PDF
•
5 gostaram
•
2,970 visualizações
B
businessanalytics
Seguir
状態空間モデル等による多変量時系列データ解析
Leia menos
Leia mais
Negócios
Vista de apresentação de diapositivos
Denunciar
Compartilhar
Vista de apresentação de diapositivos
Denunciar
Compartilhar
1 de 9
Baixar agora
Recomendados
Stan勉強会資料(前編)
Stan勉強会資料(前編)
daiki hojo
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
PRML8章
PRML8章
弘毅 露崎
あなたの心にBridgeSampling
あなたの心にBridgeSampling
daiki hojo
負の二項分布について
負の二項分布について
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
Recomendados
Stan勉強会資料(前編)
Stan勉強会資料(前編)
daiki hojo
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
PRML8章
PRML8章
弘毅 露崎
あなたの心にBridgeSampling
あなたの心にBridgeSampling
daiki hojo
負の二項分布について
負の二項分布について
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Chapter7 回帰分析の悩みどころ
Chapter7 回帰分析の悩みどころ
itoyan110
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
Kenny ISHIMURA
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
businessanalytics
Mais conteúdo relacionado
Mais procurados
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Chapter7 回帰分析の悩みどころ
Chapter7 回帰分析の悩みどころ
itoyan110
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
Mais procurados
(20)
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
Stan超初心者入門
Stan超初心者入門
階層ベイズとWAIC
階層ベイズとWAIC
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
Chapter7 回帰分析の悩みどころ
Chapter7 回帰分析の悩みどころ
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
グラフィカルモデル入門
グラフィカルモデル入門
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
Rで階層ベイズモデル
Rで階層ベイズモデル
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
Destaque
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
Kenny ISHIMURA
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
businessanalytics
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
horihorio
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
Pystan for nlp
Pystan for nlp
Xiangze
PyMC mcmc
PyMC mcmc
Xiangze
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
カルマンフィルタについて
カルマンフィルタについて
tiny_ak
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
Destaque
(10)
20141220 tokyowebmining state_spacemodel
20141220 tokyowebmining state_spacemodel
多変量時系列構造モデルによる時系列予測
多変量時系列構造モデルによる時系列予測
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
Pystan for nlp
Pystan for nlp
PyMC mcmc
PyMC mcmc
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
カルマンフィルタについて
カルマンフィルタについて
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
状態空間モデル等による多変量時系列データ解析
1.
状態空間モデル等による多変量時系列データ解析 ホテル予約サイトにおける予約数予測 株式会社ビジネスアナリティクス 2014/12/24
2.
2 ホテル予約サイトにおける課題 人気のホテルはすぐ満室になってしまう ホテル別の予約数を予測し、 満室になる可能性の高いホテルは早期予約を促進する
3.
3 時系列予測における課題 キャンペーン等の影響により過去の予約実績のみでは予測が困難 最近オープンしたホテル等、十分な予約実績がないホテルが多数存在 来月の予約数は、 当月時点での来月予約数と当月予約数である程度予測できる 「多変量時系列モデル」により予約数を予測
4.
4 予約数予測に利用した予測モデル ベクトル自己回帰移動平均モデル vector autoregressive
moving-average processes with exogenous regressors : VARMAX 状態空間モデル state space model 一般化線形モデル generalized linear model : GLM ベンチマークとして直近の予約データ+GLMで予測モデルを構築
5.
5 STATE SPACEによる予測精度 MAPE :
38%
6.
6 VARMAXによる予測精度 MAPE : 36%
7.
7 GLMによる予測精度 MAPE : 33%
8.
8 結論 予測精度・カバレッジ(予測可能なホテル数)から、 GLMによる予約数予測が最も妥当 但し、より長い時系列データが確保可能なホテルに関しては、 時系列モデルを利用することにより、全体の予測精度改善は十分に可能
9.
9 本資料、および弊社サービスに関するお問い合わせは、 下記までお願いいたします。 contactus@businessanalytics.jp
Baixar agora