JP7556982B2 - 時系列予測 - Google Patents

Description

本開示は、時系列予測に関する。

背景
履歴データに基づいて将来の傾向を予測することは、多数の異なるアプリケーションに有用な情報を提供することができる。膨大な量のデータが容易に入手可能であり、ユーザが競争力のある利点を得るために正確な予測を活用しようとするにつれて、将来の傾向の正確な予測の必要性が高まっている。将来のデータ傾向を予測するとき、いくつかの基礎となる成分は、データの変動に影響を及ぼし得る。これらの変動は、時間成分を正確に予測することを非常に困難にし得る。多くの機械学習モデルは、時間成分を組み込んだ将来の傾向を正確に予測することを目的とする。

概要
本開示の一局面は、時系列予測のための方法を提供する。本方法は、データ処理ハードウェアにおいて、ユーザから時系列予測クエリを受信することを含む。時系列予測クエリは、データ処理ハードウェアに複数の時系列予測を実行するよう要求する。各時系列予測は、それぞれの現在のデータに基づく将来のデータの予測である。時系列予測クエリによって要求される複数の時系列予測の各時系列予測について、本方法は、データ処理ハードウェアが、それぞれの時系列予測について複数のモデルを同時にトレーニングすることを含む。本方法はまた、複数のモデルのうちのどのモデルが、それぞれの時系列予測に最良に適合するかを同時に判断することと、判断された最良適合モデルおよびそれぞれの現在のデータに基づいて、将来のデータを同時に予測することとを含む。本方法はまた、データ処理ハードウェアが、時系列予測クエリによって要求される複数の時系列予測の各々について、予測された将来のデータをユーザに返すことを含む。

本開示の実現例は、以下の任意選択の特徴のうちの１つ以上を含んでもよい。いくつかの実現例では、時系列予測要求は、単一のクエリのみを含む。これらの実現例では、単一のクエリは、構造化照会言語（ＳＱＬ）クエリを含んでもよい。追加または代替として、単一のクエリはまた、テーブルの３つの列への参照を含む。いくつかの例では、テーブルの３つの列は、タイムスタンプデータを含む第１の列と、現在のデータを含む第２の列と、時系列予測識別データを含む第３の列とを含む。

いくつかの実現例では、各それぞれの時系列予測のための複数のモデルの各モデルは、自己回帰和分移動平均モデルを含む。複数のモデルをトレーニングすることは、ハイパーパラメータチューニングを実行することを含んでもよい。いくつかの例では、将来のデータを予測することは、季節的影響をモデル化することを含む。任意選択的に、将来のデータを予測することは、休日効果をモデル化することを含む。追加の例では、将来のデータを予測することは、ドリフトをモデル化することを含む。いくつかの実現例では、将来のデータを予測することは、異常検出を実行することを含む。いくつかの例では、複数のモデルのうちのどのモデルがそれぞれの時系列予測に最良に適合するかを判断することは、どのモデルが最低の赤池情報量基準（ＡＩＣ）を有するかを判断することを含む。

本開示の別の局面は、時系列予測のためのシステムを提供する。システムは、データ処理ハードウェアと、データ処理ハードウェアと通信するメモリハードウェアとを含む。メモリハードウェアは、データ処理ハードウェア上で実行されると、データ処理ハードウェアに動作を実行させる命令を記憶する。動作は、ユーザから時系列予測クエリを受信することを含む。時系列予測クエリは、データ処理ハードウェアに複数の時系列予測を実行するよう要求する。各時系列予測は、それぞれの現在のデータに基づく将来のデータの予測である。時系列予測クエリによって要求される複数の時系列予測の各時系列予測について、動作は、それぞれの時系列予測について複数のモデルを同時にトレーニングすることを含む。動作はまた、複数のモデルのうちのどのモデルがそれぞれの時系列予測に最良に適合するかを同時に判断することと、判断された最良適合モデルおよびそれぞれの現在のデータに基づいて将来のデータを同時に予測することとを含む。動作はまた、時系列予測クエリによって要求される複数の時系列予測の各々について、予測された将来のデータをユーザに返すことを含む。

本開示の実現例は、以下の任意選択の特徴のうちの１つ以上を含んでもよい。いくつかの実現例では、時系列予測要求は、単一のクエリのみを含む。これらの実現例では、単一のクエリは、構造化照会言語（ＳＱＬ）クエリを含んでもよい。追加または代替として、単一のクエリはまた、テーブルの３つの列への参照を含む。いくつかの例では、テーブルの３つの列は、タイムスタンプデータを含む第１の列と、現在のデータを含む第２の列と、時系列予測識別データを含む第３の列とを含む。

いくつかの実現例では、各それぞれの時系列予測のための複数のモデルの各モデルは、自己回帰和分移動平均モデルを含む。複数のモデルをトレーニングすることは、ハイパーパラメータチューニングを実行することを含んでもよい。いくつかの例では、将来のデータを予測することは、季節的影響をモデル化することを含む。任意選択で、将来のデータを予測することは、休日効果をモデル化することを含んでもよい。追加の例では、将来のデータを予測することは、ドリフトをモデル化することを含む。いくつかの実現例では、将来のデータを予測することは、異常検出を実行することを含む。いくつかの例では、複数のモデルのうちのどのモデルがそれぞれの時系列予測に最良に適合するかを判断することは、どのモデルが最低の赤池情報量基準（ＡＩＣ）を有するかを判断することを含む。

本開示の１つ以上の実現例の詳細を、添付の図面および以下の説明に記載する。他の局面、特徴、および利点は、説明および図面、ならびに特許請求の範囲から明らかになるであろう。

時系列予測を生成するための例示的なシステムの概略図である。 図１のシステムの例示的な構成要素の概略図である。 時系列識別列を含むテーブルの概略図である。 時系列およびその時系列の対応する分解成分のプロットである。 図１の例示的なシステムの追加の例示的な構成要素の概略図である。 時系列予測を生成する方法のための動作の例示的な構成のフローチャートである。 本明細書で説明されるシステムおよび方法を実現するために使用され得る例示的なコンピューティングデバイスの概略図である。

様々な図面における同様の参照符号は、同様の要素を示す。
詳細な説明
時系列は、（典型的には規則的な間隔での）時系列の一連のデータ点である。時系列上の分析は、経時的に変化する任意の変数（例えば、工業プロセスまたはビジネスメトリック）に適用され得る。時系列予測は、過去のデータ値に基づいて将来のデータ値を予測する（すなわち、外挿する）実算である。非常に多くの予測問題は時間成分を伴うので、時系列予測は関心のある活発な領域である。具体的には、時系列予測は、機械学習にとって重要な領域となっている。しかしながら、固有の非定常性および不確実性のため、時系列予測は、依然として困難な問題である。

典型的な機械学習の課題により、モデルは、満足のいく結果をそれが提供するまで、トレーニングされる。次いで、モデルは、追加の新たなデータでモデルを再トレーニングすることを保証するのに充分な新たなデータが存在するまで、ある期間にわたって新たなデータに対する予測を行うために使用される。しかしながら、時系列予測では、単一の新たなデータ点が受信されるときであっても、モデルを再トレーニングすることが有益である場合がある。実際的な観点から、（多くの機械学習モデルで伝統的であるように）静的モデルを展開することは、時系列予測には効果がない。

本明細書の実現例は、「大規模な」時系列予測を実行することができる時系列予測システムを対象とする。すなわち、システムは、ユーザが、単一のクエリを提出することによって、多くの時系列を並列に適合および予測することを可能にする。システムは、システムが複数の時系列予測を実行することを要求する時系列予測要求をユーザから受信する。複数の時系列予測の各々について、システムは、複数のモデルを同時にトレーニングし、複数のモデルのうちのどのモデルがそれぞれの時系列予測に最良に適合するかを判断する。システムは、判断された最良適合モデルの各々に基づいて将来のデータを予測し、要求された各時系列予測について、予測された将来のデータをユーザに返す。

ここで図１を参照すると、いくつかの実現例では、例示的な時系列予測システム１００は、ネットワーク１１２を介して１つ以上のユーザデバイス１０と通信する遠隔システム１４０を含む。遠隔システム１４０は、コンピューティングリソース１４４（例えば、データ処理ハードウェア）および／またはストレージリソース１４６（例えば、メモリハードウェア）を含む、スケーラブル／弾性リソース１４２を有する、単一のコンピュータ、複数のコンピュータ、または分散システム（例えば、クラウド環境）であってもよい。データストア１５０（すなわち、遠隔ストレージデバイス）は、クライアントのうちの１つ以上（例えば、ユーザデバイス１０）またはコンピューティングリソース１４４によるストレージリソース１４６のスケーラブルな使用を可能にするように、ストレージリソース１４６上にオーバーレイされてもよい。データストア１５０は、複数の行および列３００、３００ａ～ｎ（図３）を各々が含む１つ以上のテーブル１５８、１５８ａ～ｎ（すなわち、クラウドデータベース）内に複数のデータブロック１５２、１５２ａ～ｎを記憶するよう構成される。データストア１５０は、任意の時点で任意の数のテーブル１５８を記憶してもよい。

遠隔システム１４０は、例えば、ネットワーク１１２を介して、それぞれのユーザ１２に関連付けられるユーザデバイス１０から時系列予測クエリ２０を受信するよう構成される。ユーザデバイス１０は、デスクトップワークステーション、ラップトップワークステーション、またはモバイルデバイス（すなわち、スマートフォン）などの任意のコンピューティングデバイスに対応してもよい。ユーザデバイス１０は、コンピューティングリソース１８（例えば、データ処理ハードウェア）および／またはストレージリソース１６（例えば、メモリハードウェア）を含む。ユーザ１２は、構造化照会言語（ＳＱＬ）インターフェイス１４を使用してクエリ２０を構築してもよい。各時系列予測クエリ２０は、１つ以上の時系列予測２２、２２ａ～ｎを要求する。具体的には、クエリ２０によって要求される各時系列予測２２は、遠隔システム１４０に対する、現在のデータ１５２に基づいて将来のデータ１６２の予測を生成する要求に関連付けられる。

遠隔システム１４０は、将来のデータ１６２を予測し、ユーザデバイス１０に返すための、時系列予測器１６０を実行する。時系列予測器１６０は、クエリ２０を受信するよう構成される。以下でより詳細に説明するように、モデルトレーナ２１０は、各予測要求２２について複数の予測モデル２１２、２１２ａ～ｎを同時に生成し、トレーニングする。本明細書で使用されるとおりでは、予測要求２２および時系列予測２２という用語は、互換的に使用され得る。モデルトレーナ２１０は、要求される時系列予測２２に関連付けられる、データストア１５０に記憶された１つ以上のテーブル１５８から取り出される現在のデータ１５２（すなわち、データブロック１５２）で予測モデル２１２をトレーニングしてもよい。すなわち、クエリ２０は、データストア１５０に記憶された１つ以上のテーブル１５８内に位置する現在のデータ１５２に基づいて将来のデータを予測するように遠隔システム１４０に対して各々が要求する複数の時系列予測２２を含むことができる。代替的に、クエリ２０は、現在のデータ１５２を含んでもよい。すなわち、ユーザ１２は（ユーザデバイス１０を介して）、現在のデータ１５２がデータストレージ１５０を介して利用可能でない場合、現在のデータ１５２を提供してもよい。

モデルトレーナ２１０は、異なるパラメータを用いて各モデル２１２を生成および／またはトレーニングしてもよい。例えば、モデルトレーナ２１０は、複数の自己回帰統合移動平均（ＡＲＩＭＡ）モデルを、自己回帰モデルの異なる次数（すなわち、タイムラグの数であり、パラメータｐとして一般的に表される）、異なる差分度（すなわち、データが過去の値を減算された回数であり、パラメータｄとして一般に表される）、および移動平均モデルの次数（すなわち、移動平均ウィンドウのサイズであり、パラメータｑとして一般的に表される）で、生成およびトレーニングしてもよい。異なるパラメータ（例えば、パラメータｐ、ｄ、およびｑ）の組み合わせを使用して、モデルトレーナ２１０は、各組み合わせについて対応する予測モデル２１２を生成する。各モデル２１２は、同じデータ１５２を使用してトレーニングされる。１つ以上のパラメータが、ユーザ１２によって設定可能または部分的に設定可能であってもよい。

モデルトレーナ２１０は、複数のモデル２１２を生成およびトレーニングするときに、ハイパーパラメータチューニング（ハイパーパラメータ最適化としても知られる）を実行してもよい。ハイパーパラメータは、他のパラメータ（例えば、ノード重み）が学習されている間に実際の学習プロセスを制御または調整するパラメータである。たとえば、モデルトレーナ２１０は、データ頻度および非季節性次数パラメータに対してハイパーパラメータチューニングを実行してもよい。以下でより詳細に説明するように、モデルトレーナ２１０は、時系列の多くの異なる局面をモデル化してもよい予測モデル２１２を生成し、トレーニングしてもよい。例えば、予測モデル２１２は、季節効果、休日効果、ドリフトモデリング、および異常を考慮してもよい。

モデルセレクタ２２０は、トレーニングされた各モデル２１２を受け取り、どのモデル２１２がデータ１５２に最良に適合するかを判断する。典型的には、機械学習モデルは、トレーニングデータセット上でトレーニングされ、次いで、試験データセット上で評価される。しかしながら、時系列データは非常に限られたデータセットを有することが多いので、時系列予測器１６０は、同じデータを使用して、モデル２１２をトレーニングし、モデル２１２を評価（すなわち、将来のデータ１６２を予測）してもよい。したがって、いくつかの例では、モデルセレクタ２２０は、どのモデル２１２が最低の赤池情報量基準（ＡＩＣ）をもたらすかを判断する。ＡＩＣは、サンプル外予測誤差の推定量であり、したがって、同じデータ１５２でトレーニングされた他の各モデル２１２に対する、対応するモデル２１２の相対品質を表してもよい。モデルセレクタ２２０は、最良適合モデル２１２Ｓ（例えば、最低のＡＩＣを有するモデル２１２）を選択し、モデル２１２Ｓを予測器２３０に送る。これは、モデルセレクタ２２０が、経験的手段（例えば、別個の試験用データセット）に頼ることなく、分析的に最良適合モデル２１２を決定することを可能にする。

予測器２３０は、選択されたモデル２１２Ｓを使用して、現在のデータ１５２に基づいて将来のデータ１６２を予測する。予測器２３０は、予測された将来のデータ１６２をユーザ１２に（ユーザデバイス１０を介して）返す。ユーザデバイス１０は、予測データ１６２を例えばグラフとして表示する。クエリ２０によって要求される各時系列は、どの時系列のどの部分が表示されるかを制御するためのユーザ設定可能フィルタを用いて、同じグラフ上に表示されてもよい。例えば、クエリ２０は、１０個の時系列予測２２の要求を含む。将来のデータ１６２を受信した後、ユーザデバイス１０は、１０個の時系列予測すべてを同時にグラフ上に表示してもよい。ユーザは、どの時系列が閲覧可能であるかを選択し、所望に応じてデータにズームインまたはズームアウトしてもよい。

ここで図２を参照すると、いくつかの例では、クエリ２０は、複数の時系列予測２２を実行するよう遠隔システム１４０に要求する。この場合、モデルトレーナ２１０は、複数の時系列予測２２の各々について、複数のモデル２１２を同時にトレーニングする。例えば、クエリ２０が１０個の時系列予測２２を含み、モデルトレーナ２１０が時系列予測２２ごとに４０個のモデル２１２をトレーニングする場合、モデルトレーナ２１０は、４００（すなわち、４０×１０）個のモデル２１２を同時に生成してトレーニングする。図２に示すように、時系列予測器１６０は、クエリ２０によって要求される時系列予測２２ごとにモデルトレーナ２１０を複製してもよい（すなわち、１０個の予測要求２２に対してモデルトレーナ２１０の１０個の複製）。モデルセレクタ２２０は、同様に、モデル２１２の各セットから対応する予測要求２２に対する最良適合モデル２１２Ｓを同時に（例えば、複製を介して）判断する。予測器２３０はまた、選択されたモデル２１２Ｓの各々に基づいて将来のデータ１６２を同時に（例えば、複製を介して）予測してもよい。選択されたモデル２１２Ｓの各々からの予測された将来のデータ１６２は、ユーザデバイス１０を介してユーザ１２に返されるクエリ応答１６４内に含まれてもよい。したがって、ユーザ１２は、単一のクエリ２０のみを用いて、複数の時系列予測２２を要求してもよく、時系列予測器１６０は、時系列予測２２の各々を並列に処理し、クエリ２０に応答するために必要とされる時間の量を大幅に低減する。

ここで図３を参照すると、いくつかの実現例では、クエリ２０は、データストア１５０に記憶されたテーブル１５８の３つの列３００、３００ａ～ｃへの参照を含む。例えば、１つの列３００ａは時系列識別情報を含み、別の列３００ｂは時系列タイムスタンプデータを含み、第３の列３００ｃは時系列データを含む。時系列タイムスタンプ列３００ｂは、時系列の必要な時間成分を含む。時系列タイムスタンプ列３００ｂの各データ要素３１０は、時系列データ列３００ｃからのそれぞれの時系列データ要素３１０に関連付けられる時点を表す。時系列予測器１６０は、時系列タイムスタンプ列３００ｂおよび時系列データ列３００ｃを使用して、予測モデル２１２をトレーニングし、将来のデータ１６２を予測する。

いくつかの例では、時系列タイムスタンプ列３００ｂおよび時系列データ列３００ｃは、時系列識別（ＩＤ）列３００ａに関連付けられる。時系列ＩＤ列３００ａは、時系列タイムスタンプ列３００ｂおよび時系列データ列３００ｃのうちのどの部分が、クエリ２０が要求する複数の時系列予測２２の各々に対応するかを識別する。すなわち、時系列ＩＤ列３００ａは、クエリ２０から要求された複数の時系列予測２２に基づいて、時系列タイムスタンプ列３００ｂおよび時系列データ列３００ｃを区分する。

図示の例では、「ＩＤ１」という時系列ＩＤは、一連のタイムスタンプおよびデータ要素３１０を区分する。時系列ＩＤ「ＩＤ１」に関連付けられる各タイムスタンプおよびデータ要素３１０は、クエリ２０によって要求される時系列予測２２のうちの１つに対応する。同様に、「ＩＤ２」という時系列ＩＤは、第２の時系列データ要求２２に対する一連のタイムスタンプおよびデータ要素３１０を区分し、「ＩＤ３」という時系列ＩＤは、第３の時系列に対する一連のタイムスタンプおよびデータ要素３１０を区分する。このように、時系列ＩＤ列３００ａは、クエリ２０によって要求される別々の時系列予測２２の各々の境界を識別する。したがって、ユーザ１２は、単一のクエリ２０内の複数の要求される時系列予測２２を識別するために、時系列ＩＤ列３００ａ、時系列タイムスタンプ列３００ｂ、および時系列データ列３００ｃに対応する、データストア１５０上に記憶されるテーブル１５８の３つの列３００の識別子を提供する単一のクエリを（たとえば、ＳＱＬインターフェイス１４を使用して）生成してもよい。

図３は、明確な例を提供するために明示的な識別列３００ａを示しているが、表の任意の列３００が時系列識別列３００ａとして機能してもよい。例えば、複数の異なるオフィスについてのメトリックを表すデータを含むテーブル１５８は、オフィスロケーションごとに複数の時系列予測２２を生成するために、時系列識別列３００ａとしてオフィスロケーション列を使用してもよい。別の例として、異なる国についての気象統計を表すデータを含むテーブル１５８は、各国の複数の時系列データ予測２２を生成するために、時系列識別列３００ａとして国を表す列を使用してもよい。すなわち、ユーザ１２は、所望の時系列を区分する目的で明示的に列３００を生成する必要なく、テーブル１５８内の任意の既存の列３００に基づいて複数の時系列予測２２を生成してもよい。

ここで図４を参照すると、プロット４００は、例示的な時系列４１０と、時系列４１０の対応する成分４１２ａ～ｃとを示す。時系列４１０は、時間（ｘ軸）に対する一連のデータ点（ｙ軸）を含む。ここで、データは、ｙ軸上において、約６０～１４０の間に表され、ｘ軸は、およそ１９９５年から２０１５年までの範囲である。時系列４１０は、傾向成分４１２ａと、季節成分４１２ｂと、残差成分４１２ｃとに分解される。傾向成分４１２ａは、合理的に予測可能なパターンで上下に移動する、データの傾向を表す。ここで、傾向成分４１２ａは、サイクル（例えば、「ブーム－バスト」サイクル）に対応する循環変動も含む。季節成分４１２ｂは、特定の周期（例えば、日、週、月など）にわたって繰り返す変動を示す。例えば、１２月の売上の増加は、季節成分４１２ｂの季節効果を表す。残差成分４１２ｃは、他の成分４１２の分類に該当しない、見かけ上ランダムな残差変動を表す。

ここで図５を参照すると、いくつかの例では、エンドツーエンド時系列予測器５００は、複数の入力時系列５０２（例えば、データストア１５０に記憶されたデータ１５２から構成される）を受信する。エンドツーエンド時系列予測器５００は、３つの主要段階、すなわち、前処理段階５１０、トレーニング段階５２０、および予測段階５３０を含んでもよい。前処理段階５１０は、入力時系列５０２を受け取り、データ頻度処理５１２、ＮＵＬＬ代入５１４（すなわち、入力時系列５０２における任意のヌルを判断および／または拒否する）、休日効果モデリング５１６、および異常検出５１８を実行する。

休日効果は、時系列予測において重要な役割を果たしてもよい。例えば、オンライン小売業者の販売を表す時系列は、「ブラックフライデー」での販売の著しい急増を経験してもよい。しかしながら、ブラックフライデーは、１１月の第４木曜日である感謝祭の翌日にあたるので、固定された周期を持たない。したがって、効果は、季節性モデリングで考慮に入れることが不可能ではないにしても、困難である。加えて、休日効果は、休日効果の望ましくない平滑化につながり得る異常と間違えられる場合がある。休日効果モデリングモジュール５１６は、そうでなければ季節性モデリングによって見逃されるか、または異常検出によって誤って平滑化される、これらの効果を説明する。

前処理の後、トレーニング段階５２０は、脱季節成分５２３ａおよび季節成分５２３ｂを生成する局所回帰（ＳＴＬ）モジュール５２２を用いた季節および傾向分解から始まる。ＳＴＬモジュール５２２は、非線形関係を推定し、時系列を複数の成分４１２ａ～ｃ（図４）に分解する。脱季節成分５２３ａは、Kwiatkowsi-Phillips-Schmidt-Shin（ＫＰＳＳ）試験モジュール５２４を介して処理され、５２６において複数のＡＲＩＭＡモデルを並列に生成する。季節成分５２３ｂは、二重指数平滑化モジュール５２８に渡される。予測段階５３０において、ＡＲＩＭＡモデルからの脱季節成分５２３ａは、予測モジュール５３２ａによって予測され、二重指数平滑化モジュール５２８からの季節成分５２３ｂは、予測モジュール５３２ｂによって予測される。予測モジュール５３２ａおよび予測モジュール５３２ｂの両方からの結果は、予測結果５３４を作成するために組み合わされる。予測器５００は、ユーザデバイス１０を介してユーザ１２に予測結果５３４を返してもよい。エンドツーエンド時系列予測器５００は、各入力時系列５０２が同時に並列に予測されるように、各入力時系列５０２について段階５１０、５２０、５３０を複製する。

図６は、時系列予測を実行するための方法６００のための動作の例示的な構成のフローチャートである。方法６００は、動作６０２において、データ処理ハードウェア１４４において、複数の時系列予測２２を実行するようにデータ処理ハードウェア１４４に要求するユーザ１２からの時系列予測クエリ２０を受信することを含む。各時系列予測２２は、それぞれの現在データ１５２に基づく将来のデータ１６２の予測である。

複数の時系列予測２２の各時系列予測２２について、方法６００は、動作６０４において、データ処理ハードウェア１４４が、複数の時系列予測２２のそれぞれの時系列予測２２のために複数のモデル２１２を同時にトレーニングすることを含む。動作６０６において、方法６００は、データ処理ハードウェア１４４が、複数のモデル２１２のどのモデル２１２Ｓが複数の時系列予測２２のそれぞれの時系列予測２２に最良に適合するかを同時に判断することを含む。動作６０８において、方法６００は、データ処理ハードウェア１４４が、判断された最良適合モデル２１２Ｓおよびそれぞれの現在のデータ１５２に基づいて将来のデータ１６２を同時に予測することを含む。動作６１０において、方法６００は、データ処理ハードウェア１４４が、時系列予測クエリ２０によって要求される複数の時系列予測２２の各々について、予測された将来のデータ１６２をユーザ１２に返すことを含む。

図７は、本文書で説明されるシステムおよび方法を実現するために用いられ得る例示的なコンピューティングデバイス７００の概略図である。コンピューティングデバイス７００は、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレーム、および他の適切なコンピュータなど、様々な形態のデジタルコンピュータを表すことが意図されている。本明細書に示された構成要素、それらの接続および関係、ならびにそれらの機能は、例示的なものにすぎず、本文書に記載および／または特許請求される本発明の実現例を限定するものではない。

コンピューティングデバイス７００は、プロセッサ７１０と、メモリ７２０と、ストレージデバイス７３０と、メモリ７２０および高速拡張ポート７５０に接続する高速インターフェイス／コントローラ７４０と、低速バス７７０およびストレージデバイス７３０に接続する低速インターフェイス／コントローラ７６０とを含む。構成要素７１０、７２０、７３０、７４０、７５０および７６０の各々は、様々なバスを用いて相互接続され、共通のマザーボード上に、または必要に応じて他の方法で実装されてもよい。プロセッサ７１０は、高速インターフェイス７４０に結合されたディスプレイ７８０などの外部入力／出力装置上にグラフィカルユーザインターフェイス（ＧＵＩ）のためのグラフィカル情報を表示するために、メモリ７２０またはストレージデバイス７３０に記憶された命令を含む、コンピューティングデバイス７００内で実行するための命令を処理することができる。他の実現例では、複数のプロセッサおよび／または複数のバスが、必要に応じて、複数のメモリおよびメモリのタイプとともに用いられてもよい。また、複数のコンピューティングデバイス７００が接続されてもよく、各デバイスは、（たとえば、サーババンクとして、ブレードサーバのグループとして、またはマルチプロセッサシステムとして）必要な動作の部分を提供する。

メモリ７２０は、コンピューティングデバイス７００内で情報を非一時的に記憶する。メモリ７２０は、コンピュータ可読媒体、揮発性メモリユニット、または不揮発性メモリユニットであってもよい。非一時的メモリ７２０は、コンピューティングデバイス７００による使用のためにプログラム（例えば、命令のシーケンス）またはデータ（例えば、プログラム状態情報）を一時的または永続的に記憶するために用いられる物理デバイスであってもよい。不揮発性メモリの例は、フラッシュメモリおよび読み出し専用メモリ（ＲＯＭ）／プログラマブル読み出し専用メモリ（ＰＲＯＭ）／消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ）／電子的消去可能プログラマブル読み出し専用メモリ（ＥＥＰＲＯＭ）（たとえば、ブートプログラムなどのファームウェアに典型的に用いられる）を含むが、これらに限定されない。揮発性メモリの例には、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、相変化メモリ（ＰＣＭ）、およびディスクまたはテープが含まれるが、これらに限定されない。

ストレージデバイス７３０は、コンピューティングデバイス７００のための大容量ストレージを提供することができる。いくつかの実現例では、ストレージデバイス７３０はコンピュータ可読媒体である。様々な異なる実現例では、ストレージデバイス７３０は、フロッピー（登録商標）ディスクデバイス、ハードディスクデバイス、光ディスクデバイス、もしくはテープデバイス、フラッシュメモリもしくは他の同様のソリッドステートメモリデバイス、またはストレージエリアネットワークもしくは他の構成におけるデバイスを含むデバイスのアレイであってもよい。さらなる実現例では、コンピュータプログラム製品は、情報担体において有形に具現化される。コンピュータプログラム製品は、実行されると上述の方法などの１つ以上の方法を実行する命令を含む。情報担体は、メモリ７２０、ストレージデバイス７３０、またはプロセッサ７１０上のメモリなどのコンピュータ可読媒体または機械可読媒体である。

高速コントローラ７４０は、コンピューティングデバイス７００のための帯域幅集約型動作を管理し、低速コントローラ７６０は、より低い帯域幅集約型動作を管理する。そのような役割の割り当ては、例示的なものにすぎない。いくつかの実現例では、高速コントローラ７４０は、メモリ７２０、ディスプレイ７８０（たとえば、グラフィックスプロセッサまたはアクセラレータを通して）、および様々な拡張カード（図示せず）を受け入れ得る高速拡張ポート７５０に結合される。いくつかの実現例では、低速コントローラ７６０は、ストレージデバイス７３０および低速拡張ポート７９０に結合される。低速拡張ポート７９０は、様々な通信ポート（たとえば、ＵＳＢ、Bluetooth（登録商標）、イーサネット（登録商標）、無線イーサネット（登録商標））を含んでもよく、キーボード、ポインティングデバイス、スキャナ、またはスイッチもしくはルータなどのネットワーキングデバイスなどの１つ以上の入力／出力装置に、たとえばネットワークアダプタを介して結合されてもよい。

コンピューティングデバイス７００は、図に示されるように、いくつかの異なる形態で実現されてもよい。例えば、標準サーバ７００ａとして、もしくはそのようなサーバ７００ａのグループ内で複数回、ラップトップコンピュータ７００ｂとして、またはラックサーバシステム７００ｃの一部として実現されてもよい。

本明細書に記載のシステムおよび技術のさまざまな実現例は、デジタル電子および／もしくは光学回路系、集積回路系、特別に設計されたＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、ならびに／またはそれらの組合せで実現されてもよい。これらのさまざまな実現例は、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行可能および／または解釈可能な１つ以上のコンピュータプログラムにおける実現例を含んでいてもよく、当該プロセッサは専用であっても汎用であってもよく、ストレージシステム、少なくとも１つの入力装置、および少なくとも１つの出力装置からデータおよび命令を受信するように、かつこれらにデータおよび命令を送信するように結合されている。

ソフトウェアアプリケーション（すなわち、ソフトウェアリソース）は、コンピューティングデバイスにタスクを実行させるコンピュータソフトウェアを指してもよい。いくつかの例では、ソフトウェアアプリケーションは、「アプリケーション」、「アプリ」、または「プログラム」と呼ばれることがある。アプリケーションの例には、システム診断アプリケーション、システム管理アプリケーション、システム保守アプリケーション、ワード処理アプリケーション、スプレッドシートアプリケーション、メッセージングアプリケーション、メディアストリーミングアプリケーション、ソーシャルネットワーキングアプリケーション、およびゲームアプリケーションが含まれるが、これらに限定はされない。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーションまたはコードとしても知られる）は、プログラム可能なプロセッサのための機械命令を含み、高水準手続き型および／もしくはオブジェクト指向型プログラミング言語で、ならびに／またはアセンブリ／機械言語で実現することができる。本明細書で使用されるとき、用語「機械可読媒体」および「コンピュータ可読媒体」は、機械命令を機械可読信号として受信する機械可読媒体を含む、機械命令および／またはデータをプログラマブルプロセッサに提供するよう使用される任意のコンピュータプログラム製品、非一時的コンピュータ可読媒体、装置および／またはデバイス（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を指す。「機械可読信号」という用語は、機械命令および／またはデータをプログラマブルプロセッサに提供するために使用される任意の信号を指す。

本明細書で説明するプロセスおよび論理フローは、データ処理ハードウェアとも呼ばれ、入力データに対して演算し出力を生成することによって１つ以上のコンピュータプログラムを実行して機能を実行する１つ以上のプログラマブルプロセッサによって実行されことができる。プロセスおよび論理フローはまた、専用論理回路、たとえば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（特定用途向け集積回路）によって実行され得る。コンピュータプログラムの実行に好適であるプロセッサは、例として、汎用マイクロプロセッサおよび特殊目的マイクロプロセッサの両方、ならびに任意の種類のデジタルコンピュータの任意の１つ以上のプロセッサを含む。概して、プロセッサは、読み取り専用メモリもしくはランダムアクセスメモリまたは両方から命令およびデータを受信することになる。コンピュータの必須要素は、命令を実行するためのプロセッサ、ならびに命令およびデータを記憶するための１つ以上のメモリデバイスである。一般に、コンピュータはさらに、たとえば磁気ディスク、光磁気ディスクまたは光ディスクといった、データを格納するための１つ以上の大容量記憶装置を含むか、当該１つ以上の大容量記憶装置からデータを受取るかもしくは当該１つ以上の大容量記憶装置にデータを転送するよう作動的に結合されるか、またはその両方を行うことにもなる。しかしながら、コンピュータは、そのようなデバイスを有する必要はない。コンピュータプログラム命令およびデータを記憶するのに好適なコンピュータ可読媒体は、例として、半導体メモリデバイス、たとえば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、およびフラッシュメモリデバイス；磁気ディスク、たとえば内蔵ハードディスクまたはリムーバブルディスク；光磁気ディスク；およびＣＤ ＲＯＭおよびＤＶＤ－ＲＯＭディスクを含む、あらゆる形態の不揮発性メモリ、媒体、ならびにメモリデバイスを含む。プロセッサおよびメモリは、特殊目的論理回路によって補足され得るか、または特殊目的論理回路に組み込まれ得る。

ユーザとの対話を提供するために、本開示の１つ以上の局面は、たとえばＣＲＴ（陰極線管）、ＬＣＤ（液晶ディスプレイ）モニタまたはタッチスクリーンといったユーザに対して情報を表示するための表示装置と、選択肢的にキーボードおよびたとえばマウス、トラックボールといったユーザがコンピュータに入力を提供可能であるポインティングデバイスとを有するコンピュータ上で実現され得る。他の種類のデバイスを用いて、ユーザとの対話を提供することもでき、たとえば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック、たとえば、視覚フィードバック、聴覚フィードバック、または触覚フィードバックであり得、ユーザからの入力は、音響入力、音声入力、または触覚入力を含む、任意の形態で受信することができる。加えて、コンピュータは、ユーザが用いるデバイスにドキュメントを送信し、ユーザが用いるデバイスからドキュメントを受信することによって、たとえば、ユーザのクライアントデバイス上のウェブブラウザから受信された要求に応答してそのウェブブラウザにウェブページを送信することによって、ユーザと対話し得る。

いくつかの実現例について説明した。それにもかかわらず、本開示の精神および範囲から逸脱することなく、様々な修正がなされ得ることが理解されるであろう。したがって、他の実現例は特許請求の範囲内にある。

Claims (24)

1. 方法（６００）であって、
   データ処理ハードウェア（１４４）において、ユーザ（１２）から時系列予測クエリ（２０）を受信することを含み、前記時系列予測クエリ（２０）は、前記データ処理ハードウェア（１４４）に複数の時系列予測（２２）を実行するよう要求し、各時系列予測（２２）は、それぞれの現在のデータ（１５２）に基づく将来のデータ（１６２）の予測であり、前記方法はさらに、
   前記時系列予測クエリ（２０）によって要求される前記複数の時系列予測（２２）の各時系列予測（２２）について、同時に、
   前記データ処理ハードウェア（１４４）が、複数の成分に分解されるそれぞれの時系列予測（２２）について複数のモデル（２１２）をトレーニングすることと、
   前記複数のモデルの各それぞれのモデルについて、前記データ処理ハードウェア（１４４）が、前記それぞれの現在のデータを用いて、前記それぞれのモデルのそれぞれの相対品質を推定することとを含み、前記それぞれの相対品質は前記複数のモデルのうちの各他のモデルに対する前記それぞれのモデルの品質を表し、
   前記データ処理ハードウェア（１４４）が、経験的手段に頼ることなく各それぞれのモデルの前記それぞれの相対品質を用いて、前記複数のモデル（２１２）のうちのどのモデル（２１２）が、前記それぞれの時系列予測（２２）に最良に適合するかを判断することと、
   前記データ処理ハードウェア（１４４）が、前記判断された最良適合モデル（２１２）および前記それぞれの現在のデータ（１５２）に基づいて前記将来のデータ（１６２）を予測することとを含み、前記方法はさらに、
   前記データ処理ハードウェア（１４４）が、前記ユーザ（１２）に、前記時系列予測クエリ（２０）によって要求される前記複数の時系列予測（２２）の各々について前記予測された将来のデータ（１６２）を返すことを含む、方法。
2. 前記時系列予測クエリ（２０）は、単一のクエリ（２０）のみを含む、請求項１に記載の方法（６００）。
3. 前記単一のクエリ（２０）は、構造化照会言語（ＳＱＬ）クエリ（２０）を含む、請求項２に記載の方法（６００）。
4. 前記単一のクエリ（２０）は、テーブル（１５８）の３つの列（３００）への参照を含む、請求項２または３に記載の方法（６００）。
5. 前記テーブル（１５８）の前記３つの列（３００）は、
   タイムスタンプデータを含む第１の列（３００ａ）と、
   前記現在のデータ（１５２）を含む第２の列（３００ｂ）と、
   時系列予測識別データを含む第３の列（３００ｃ）とを含む、請求項４に記載の方法（６００）。
6. 各それぞれの時系列予測（２２）のための前記複数のモデル（２１２）の各モデル（２１２）は、自己回帰和分移動平均モデル（２１２）を含む、請求項１～５のいずれか１項に記載の方法（６００）。
7. 前記複数のモデル（２１２）をトレーニングすることは、ハイパーパラメータチューニングを実行することを含む、請求項６に記載の方法（６００）。
8. 前記将来のデータ（１６２）を予測することは、季節的影響をモデル化することを含む、請求項１～７のいずれか１項に記載の方法（６００）。
9. 前記将来のデータ（１６２）を予測することは、休日効果をモデル化することを含む、請求項１～８のいずれか１項に記載の方法（６００）。
10. 前記将来のデータ（１６２）を予測することは、ドリフトをモデル化することを含む、請求項１～９のいずれか１項に記載の方法（６００）。
11. 前記将来のデータ（１６２）を予測することは、異常検出（５１８）を実行することを含む、請求項１～１０のいずれか１項に記載の方法（６００）。
12. 前記複数のモデル（２１２）のうちのどのモデル（２１２）が前記それぞれの時系列予測（２２）に最良に適合するかを判断することは、どのモデル（２１２）が最低の赤池情報量基準（ＡＩＣ）を有するかを判断することを含む、請求項１～１１のいずれか１項に記載の方法（６００）。
13. システム（１００）であって、
    データ処理ハードウェア（１４４）と、
    前記データ処理ハードウェア（１４４）と通信するメモリハードウェア（１４６）とを備え、前記メモリハードウェア（１４６）は、前記データ処理ハードウェア（１４４）上で実行されると前記データ処理ハードウェア（１４４）に動作を実行させる命令を記憶し、前記動作は、
    ユーザ（１２）から時系列予測クエリ（２０）を受信することを含み、前記時系列予測クエリ（２０）は、前記データ処理ハードウェア（１４４）に複数の時系列予測（２２）を実行するよう要求し、各時系列予測（２２）は、それぞれの現在のデータ（１５２）に基づく将来のデータ（１６２）の予測であり、前記動作はさらに、
    前記時系列予測クエリ（２０）によって要求される前記複数の時系列予測（２２）の各時系列予測（２２）について、同時に、
    複数の成分に分解されるそれぞれの時系列予測（２２）について複数のモデル（２１２）をトレーニングすることと、
    前記複数のモデルの各それぞれのモデルについて、前記それぞれの現在のデータを用いて、前記それぞれのモデルのそれぞれの相対品質を推定することとを含み、前記それぞれの相対品質は前記複数のモデルのうちの各他のモデルに対する前記それぞれのモデルの品質を表し、
    経験的手段に頼ることなく各それぞれのモデルの前記それぞれの相対品質を用いて、前記複数のモデル（２１２）のうちのどのモデル（２１２）が前記それぞれの時系列予測（２２）に最良に適合するかを判断することと、
    前記判断された最良適合モデル（２１２）および前記それぞれの現在のデータ（１５２）に基づいて前記将来のデータ（１６２）を予測することとを含み、前記動作はさらに、
    前記時系列予測クエリ（２０）によって要求される前記複数の時系列予測（２２）の各々について、前記予測された将来のデータ（１６２）を前記ユーザ（１２）に返すことを含む、システム（１００）。
14. 前記時系列予測クエリ（２０）は、単一のクエリ（２０）のみを含む、請求項１３に記載のシステム（１００）。
15. 前記単一のクエリ（２０）は、構造化照会言語（ＳＱＬ）クエリ（２０）を含む、請求項１４に記載のシステム（１００）。
16. 前記単一のクエリ（２０）は、テーブル（１５８）の３つの列（３００）への参照を含む、請求項１４または１５に記載のシステム（１００）。
17. 前記テーブル（１５８）の前記３つの列（３００）は、
    タイムスタンプデータを含む第１の列（３００ａ）と、
    前記現在のデータ（１５２）を含む第２の列（３００ｂ）と、
    時系列予測識別データを含む第３の列（３００ｃ）とを含む、請求項１６に記載のシステム（１００）。
18. 各それぞれの時系列予測（２２）のための前記複数のモデル（２１２）の各モデル（２１２）は、自己回帰和分移動平均モデル（２１２）を含む、請求項１３～１７のいずれか１項に記載のシステム（１００）。
19. 前記複数のモデル（２１２）をトレーニングすることは、ハイパーパラメータチューニングを実行することを含む、請求項１８に記載のシステム（１００）。
20. 前記将来のデータ（１６２）を予測することは、季節的影響をモデル化することを含む、請求項１３～１９のいずれか１項に記載のシステム（１００）。
21. 前記将来のデータ（１６２）を予測することは、休日効果をモデル化することを含む、請求項１３～２０のいずれか１項に記載のシステム（１００）。
22. 前記将来のデータ（１６２）を予測することは、ドリフトをモデル化することを含む、請求項１３～２１のいずれか１項に記載のシステム（１００）。
23. 前記将来のデータ（１６２）を予測することは、異常検出（５１８）を実行することを含む、請求項１３～２２のいずれか１項に記載のシステム（１００）。
24. 前記複数のモデル（２１２）のうちのどのモデル（２１２）がそれぞれの時系列（４１０）に最良に適合するかを判断することは、どのモデル（２１２）が最低の赤池情報量基準（ＡＩＣ）を有するかを判断することを含む、請求項１３～２３のいずれか１項に記載のシステム（１００）。

Images