Submit Search
Upload
Pythonでカスタム状態空間モデル
•
1 like
•
1,377 views
Hamage9
Follow
状態空間モデルの真の力はカスタムモデルを構築することです。カスタム状態空間モデルをPythonで実装する方法を説明しています
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 21
Download now
Download to read offline
Recommended
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
正準相関分析
正準相関分析
Akisato Kimura
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
Yusuke Kaneko
中断時系列分析の書き方
中断時系列分析の書き方
Shuhei Ichikawa
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
Koichiro Gibo
多重代入法の書き方 公開用
多重代入法の書き方 公開用
Koichiro Gibo
Recommended
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
正準相関分析
正準相関分析
Akisato Kimura
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
Yusuke Kaneko
中断時系列分析の書き方
中断時系列分析の書き方
Shuhei Ichikawa
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
Koichiro Gibo
多重代入法の書き方 公開用
多重代入法の書き方 公開用
Koichiro Gibo
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
アンサンブル木モデル解釈のためのモデル簡略化法
アンサンブル木モデル解釈のためのモデル簡略化法
Satoshi Hara
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
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
【DL輪読会】Representational Continuity for Unsupervised Continual Learning ( ICLR...
【DL輪読会】Representational Continuity for Unsupervised Continual Learning ( ICLR...
Deep Learning JP
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ssuserca2822
ノンパラメトリックベイズを用いた逆強化学習
ノンパラメトリックベイズを用いた逆強化学習
Shota Ishikawa
Rの高速化
Rの高速化
弘毅 露崎
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
Yoshitake Takebayashi
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)
Haruka Ozaki
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
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法
Hiroki Itô
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
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
Ichigaku Takigawa
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介
Chihiro Kusunoki
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
de:code 2017
後期第五回ネットワークチーム講座資料
後期第五回ネットワークチーム講座資料
densan_teacher
More Related Content
What's hot
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
アンサンブル木モデル解釈のためのモデル簡略化法
アンサンブル木モデル解釈のためのモデル簡略化法
Satoshi Hara
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
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
【DL輪読会】Representational Continuity for Unsupervised Continual Learning ( ICLR...
【DL輪読会】Representational Continuity for Unsupervised Continual Learning ( ICLR...
Deep Learning JP
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ssuserca2822
ノンパラメトリックベイズを用いた逆強化学習
ノンパラメトリックベイズを用いた逆強化学習
Shota Ishikawa
Rの高速化
Rの高速化
弘毅 露崎
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
Yoshitake Takebayashi
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)
Haruka Ozaki
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
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法
Hiroki Itô
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
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
Ichigaku Takigawa
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介
Chihiro Kusunoki
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
What's hot
(20)
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
アンサンブル木モデル解釈のためのモデル簡略化法
アンサンブル木モデル解釈のためのモデル簡略化法
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
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
【DL輪読会】Representational Continuity for Unsupervised Continual Learning ( ICLR...
【DL輪読会】Representational Continuity for Unsupervised Continual Learning ( ICLR...
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ノンパラメトリックベイズを用いた逆強化学習
ノンパラメトリックベイズを用いた逆強化学習
Rの高速化
Rの高速化
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)
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
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法
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
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介
不均衡データのクラス分類
不均衡データのクラス分類
Similar to Pythonでカスタム状態空間モデル
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
de:code 2017
後期第五回ネットワークチーム講座資料
後期第五回ネットワークチーム講座資料
densan_teacher
mishimasyk#4
mishimasyk#4
Takayuki Serizawa
C++0x 言語の未来を語る
C++0x 言語の未来を語る
Akira Takahashi
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Yasutomo Kawanishi
24時間でiOSアプリ-Twitterクライアント-の作成にチャレンジ ver1.1
24時間でiOSアプリ-Twitterクライアント-の作成にチャレンジ ver1.1
聡 中川
東京工業大学「ロボット技術」 ロボットミドルウェア
東京工業大学「ロボット技術」 ロボットミドルウェア
openrtm
AOZORAYOMITE and Intent
AOZORAYOMITE and Intent
Yuki Higuchi
GoF デザインパターン 2009
GoF デザインパターン 2009
miwarin
170420 東工大授業「ロボット技術」資料
170420 東工大授業「ロボット技術」資料
openrtm
「深層学習」勉強会LT資料 "Chainer使ってみた"
「深層学習」勉強会LT資料 "Chainer使ってみた"
Ken'ichi Matsui
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
Daiyu Hatakeyama
2018/06/23 Sony"s deep learning software and the latest information
2018/06/23 Sony"s deep learning software and the latest information
Sony Network Communications Inc.
Gurobi python
Gurobi python
Mikio Kubo
2023_freshman
2023_freshman
TakaakiYonekura
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
yaju88
Spock's world
Spock's world
Takuma Watabiki
ソフトウェア自動チューニング研究紹介
ソフトウェア自動チューニング研究紹介
Takahiro Katagiri
世界をすこしだけ前に進めるということ
世界をすこしだけ前に進めるということ
Yukei Wachi
[第2版]Python機械学習プログラミング 第8章
[第2版]Python機械学習プログラミング 第8章
Haruki Eguchi
Similar to Pythonでカスタム状態空間モデル
(20)
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
後期第五回ネットワークチーム講座資料
後期第五回ネットワークチーム講座資料
mishimasyk#4
mishimasyk#4
C++0x 言語の未来を語る
C++0x 言語の未来を語る
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
24時間でiOSアプリ-Twitterクライアント-の作成にチャレンジ ver1.1
24時間でiOSアプリ-Twitterクライアント-の作成にチャレンジ ver1.1
東京工業大学「ロボット技術」 ロボットミドルウェア
東京工業大学「ロボット技術」 ロボットミドルウェア
AOZORAYOMITE and Intent
AOZORAYOMITE and Intent
GoF デザインパターン 2009
GoF デザインパターン 2009
170420 東工大授業「ロボット技術」資料
170420 東工大授業「ロボット技術」資料
「深層学習」勉強会LT資料 "Chainer使ってみた"
「深層学習」勉強会LT資料 "Chainer使ってみた"
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2018/06/23 Sony"s deep learning software and the latest information
2018/06/23 Sony"s deep learning software and the latest information
Gurobi python
Gurobi python
2023_freshman
2023_freshman
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
Spock's world
Spock's world
ソフトウェア自動チューニング研究紹介
ソフトウェア自動チューニング研究紹介
世界をすこしだけ前に進めるということ
世界をすこしだけ前に進めるということ
[第2版]Python機械学習プログラミング 第8章
[第2版]Python機械学習プログラミング 第8章
Pythonでカスタム状態空間モデル
1.
pythonでカスタム状態空間モデル 2020-10-27 濱川 普紀
2.
自己紹介 大阪在住 職業:某繊維メーカーで工場のスマート化に従事しています Python歴:2年 趣味:電子音楽制作、ライブ活動 Name : 濱川普紀
Hamakawa Hirotoshi @hamage9
3.
経歴 2000年8月 某産業機械メーカーに就職 電気設計を従事 2016年7月 某産業機械メーカーで IoT開発に従事 2020年3月 某繊維メーカーに就職 工場のスマート化に従事 1997年4月 大学を卒業して電子部品を扱う某商社に 就職。 その後転々と転職。。。
4.
1.状態空間モデルとは 2.観測方程式と状態方程式 3.カスタムモデルの意義 4.今回使用するモデル 5.実装開始 6.データをDataFrameに格納 7.モデルの定義 8.学習、サマリー確認 9.推定と予測 Agenda
5.
状態空間モデルとは ・元々は物理モデルやシステム同定、制御分野などで使用されており、ロケットの軌道の推定 と修正制御に使用されていたことが有名です。 ・時系列解析にベイズ統計の要素を加えたものという解釈もできると思います。 ・一番の特徴は見えない「状態」を推定できることです。センサなどで観測したデータにはノイ ズ(主にセンシング誤差など)が含まれていると考え、そのデータの真の状態を推定します。 (本当の真の状態は神のみぞ知る。)
6.
観測方程式と状態方程式 モデルの構造は、観測方程式(観測モデルという記述の文献もあり)と状態方程式(システム モデルという記述の文献もあり)から成っています。
7.
カスタムモデルの意義 状態空間モデルの中でもカスタムモデルの意義は下記のようなことにあります。 ・状態空間モデルの真の力は、カスタムモデルの作成と推定を可能にすることです。 (statsmodelsのカスタムモデルの説明ページ の引用(Google翻訳)) ・状態空間モデルとは、「たくさんの統計モデルを統一的に表すことができる統計モデ ル」なのです。だから状態空間モデルが注目を浴びてきているのです。( 馬場さんの サイトlogics
of blueの引用) ・私は時系列解析に物理的な変数を組み込むことにより解釈可能なモデルを構築す ることができることだと思っています。
8.
今回使用するモデル ・A:定数 ・B:定数 ・z : 外生変数(exogenous
variable)
9.
実装開始 さてここからPythonコードです。まずはライブラリのインポートなど。 import numpy as
np import pandas as pd import datetime import statsmodels.api as sm import matplotlib.pyplot as plt %matplotlib inline plt.rc("figure", figsize=(16,8)) plt.rc("font", size=15)
10.
実装開始 テスト用のデータを生成。 def gen_data_for_model1(): nobs =
1000 rs = np.random.RandomState(seed=93572) Ht = 5 Tt = 1.001 A = 0.1 B = -0.007 Qt = 0.01 var_z = 0.1 et = rs.normal(scale=Ht**0.5, size=nobs) z = np.cumsum(rs.normal(size=nobs, scale=var_z**0.05)) Et = rs.normal(scale=Qt**0.5, size=nobs) xt_1 = 50 x = [] for i in range(nobs): xt = Tt * xt_1 x.append(xt) xt_1 = xt xt = np.array(x) xt = xt + A * np.exp(B/z) + Et yt = xt + et return yt, xt, z yt, xt, z = gen_data_for_model1() _ = plt.plot(yt,color = "r") _ = plt.plot(xt, color="b")
11.
実装開始 テスト用のデータを生成。観測されたデータと、観測できない真の状態。 ー:観測データ ー:状態プロセス
12.
データをDataFrameに格納 データをDataFrameに格納。 df = pd.DataFrame
() df['y'] = yt df['x'] = xt df['z'] = z df
13.
データをDataFrameに格納 予測をするためにindexをdatetimeにする。 st = datetime.datetime.strptime("2001/1/1
0:00", '%Y/%m/%d %H:%M') date = [] for i in range(1000): if i == 0: d = st dt = d.strftime('%Y/%m/%d %H:%M') date.append(dt) d += datetime.timedelta(days=1) df['date'] = date df['date'] = pd.to_datetime(df['date'] ) df = df.set_index("date") df
14.
モデルの定義 class custom(sm.tsa.statespace.MLEModel): param_names =
['T', 'A', 'B', 'Ht', 'Qt'] start_params = [1., 1., 0., 1., 1] def __init__(self, endog, exog): exog = np.squeeze(exog) # 外生変数は1つのため次元削減 # endog:観測データ(y)、exog:外生変数(z)、k_state=1:状態プロセスの次元 super().__init__(endog, exog=exog, k_states=1, initialization='diffuse') self.k_exog = 1 # 外生変数の次元は1である # Z(design matrix)は単位行列である self['design', 0, 0] = 1. # R(selection matrix)は単位行列である self['selection', 0, 0] = 1. # c_t(state_intercept)は時変数であると定義 self['state_intercept'] = np.zeros((1, self.nobs)) def clone(self, endog, exog, **kwargs): # 時変状態空間行列を含むカスタムモデルであることを定義 return self._clone_from_init_kwds(endog, exog=exog, **kwargs)
15.
モデルの定義 def transform_params(self, params): #
分散は正数である必要があるので一旦2乗する params[3:] = params[3:]**2 return params def untransform_params(self, params): # R2乗したものを1/2乗して元の大きさに戻す(平方根) params[3:] = params[3:]**0.5 return params def update(self, params, **kwargs): # 更新するための定義 params = super().update(params, **kwargs) # T = T:0番目のパラメータをtransition matrixに代入 self['transition', 0, 0] = params[0] # c_t = A * exp(B / z_t):1,2番目のパラメータをstate_interceprに代入 self['state_intercept', 0, :] = params[1] * np.exp(params[2] / self.exog) # Ht:3番目のパラメータを観測ノイズの分散に代入 self['obs_cov', 0, 0] = params[3] # Qt:4番目のパラメータを状態ノイズの分散に代入 self['state_cov', 0, 0] = params[4] 参考文献 ・statsmodelsのMLEModelの説明ページ ・statsmodelsのカスタムモデルの説明ページ
16.
学習、サマリー確認 推定用データと予測用データに分ける df_test = df.iloc[:800,:] df_train
= df.iloc[800:,:] 学習、サマリー確認 mod = custom(df_test['y'], df_test['z']) res = mod.fit() print(res.summary()) # 初めに生成したダミーデータ Tt = 1.001 A = 0.1 B = -0.007 Ht = 5 Qt = 0.01
17.
学習、サマリー確認 推定結果をDataFrameに格納 ss = pd.DataFrame(res.smoothed_state.T,
columns=['x'], index=df_test.index) ss
18.
推定と予測 推定と予測 predict = res.get_prediction() forecast
= res.get_forecast(df.index[-1], exog = df_train['z'].values) ・予測する場合は、どの時点まで予測するかを指定する必要があります。(今回は df.index[-1]で指定) ・外生変数をモデルに使用する場合は、予測の時に「 exog=」の引数でデータを指定 する必要があります。今回は全てがダミーデータですが、実際に予測で使用する場合 は、過去のデータなどからダミーデータを作成する必要があります。 ・データの間隔が不均一なデータは予測に使えません。 (同じく外生変数を使った SARIMAXなども同じことが言えます)
19.
推定と予測 可視化 fig, ax =
plt.subplots() y = df['y'] # Plot the results y.plot(ax=ax,label='y') predict.predicted_mean.plot(label='x') predict_ci = predict.conf_int(alpha=0.05) predict_index = predict_ci.index ax.fill_between(predict_index[2:], predict_ci.iloc[2:, 0], predict_ci.iloc[2:, 1], alpha=0.1) forecast.predicted_mean.plot(ax=ax, style='r', label='forecast') forecast_ci = forecast.conf_int() forecast_index = forecast_ci.index ax.fill_between(forecast_index, forecast_ci.iloc[:, 0], forecast_ci.iloc[:, 1], alpha=0.1) # Cleanup the image legend = ax.legend(loc='best'); fig.savefig('custom_statespace.png')
20.
推定と予測 可視化
21.
ご静聴ありがとうございました 濱川 普紀 21
Download now