Platform For AI:x13_auto_arima

リソース計算

• groupColNames を指定しない場合：

    coreNum = 1
    memSizePerCore = 4096

• groupColNames を指定する場合：

    coreNum = floor(総行数 / 120,000)
    memSizePerCore = 4096

方法1：PAI コンソールでの設定

ビジュアルモデリングのパイプラインページでパラメーターを設定します。

方法2：PAI コマンドでの設定

SQL スクリプトを使用して PAI コマンドを実行します。 詳細については、「SQL スクリプト」をご参照ください。

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_out_predict2
    -DoutputDetailTableName=pai_ft_x13_arima_out_detail2

時系列の例

指定値： value = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]

start=1949.3, フリークエンシー=12 (月次データ、12 か月/年)

予測は 1950 年 6 月から始まります。

start=1949.3, フリークエンシー=4 (四半期データ、4 四半期/年)

予測は 1953 年第 2 四半期から始まります。

start=1949.3, フリークエンシー=7 (日次データ、7 日/週)

予測は 1951 週目の 4 日目から始まります。

start=1949.1, フリークエンシー=1 (非季節性データ)

予測は 1964 年から始まります。

テストデータの準備

この例では、AirPassengers.csv データセットを使用します。このデータセットは、1949 年から 1960 年までの国際航空旅客数を月ごとに記録したものです。データセットの詳細については、「AirPassengers」をご参照ください。

サンプルデータ：

MaxCompute クライアントで次の Tunnel コマンドを実行して、データをアップロードします。MaxCompute クライアントのインストールと設定については、「MaxCompute クライアント (odpscmd)」をご参照ください。Tunnel コマンドの詳細については、「Tunnel コマンド」をご参照ください。

create table pai_ft_x13_arima_input(id bigint, number bigint);
tunnel upload xxx/airpassengers.csv pai_ft_x13_arima_input -h true;

PAI コマンドの実行

SQL スクリプトまたは ODPS SQL コンポーネントを使用して PAI コマンドを実行します。

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DmaxOrder=4
    -DmaxSeasonalOrder=2
    -DmaxDiff=2
    -DmaxSeasonalDiff=1
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_auto_out_predict
    -DoutputDetailTableName=pai_ft_x13_arima_auto_out_detail

出力

すべての予測結果が同じ値になるのはなぜですか?

これは、モデルトレーニング中に例外が発生し、平均モデルにフォールバックした場合に発生します。平均モデルは、すべての予測に対してトレーニングデータの平均値を出力します。一般的な原因としては、差分後の不安定性、トレーニング中の収束の失敗、または入力データの分散が 0 であることが挙げられます。

具体的なエラーを診断するには、Logview で個々のノードの stderr ファイルを確認してください。

x13_arima と x13_auto_arima のどちらを選択すればよいですか?

x13_arima では、p、d、q、sp、sd、sq パラメーターを手動で指定する必要があります。どの値を使用すればよいかわからない場合は、代わりに x13_auto_arima を選択してください。x13_auto_arima では、上限 (maxOrder や maxDiff など) のみを設定すれば、コンポーネントがパラメーターを自動的に調整します。

エラー：差分後の観測値数が最小系列長未満

ERROR: Number of observations after differencing and/or conditional AR estimation
is 9, which is less than the minimum series length required for the model estimated, 24

指定されたモデルでは、トレーニングデータが不足しています。 frequency パラメーターを変更するか、トレーニングデータを追加してください。

エラー：MA 演算子の次数が過大

ERROR: Order of the MA operator is too large

このエラーは通常、トレーニングデータ不足が原因です。入力テーブルにデータポイントを追加してください。

エラー：系列に 3 年分以上の完全なデータが必要

ERROR: Series to be modelled and/or seasonally adjusted must have at least 3 complete
years of data

季節性パラメーターが指定されている場合、入力データには少なくとも 3 年分の完全な観測値を含める必要があります。