ECサイトが200以上の商品カテゴリの週次需要を予測するシステムをSageMakerで構築しています。各カテゴリには3年分の時系列データがあり、一部の希少カテゴリはサンプル数が非常に少ないです。季節性・トレンドを考慮しな

Question

ECサイトが200以上の商品カテゴリの週次需要を予測するシステムをSageMakerで構築しています。各カテゴリには3年分の時系列データがあり、一部の希少カテゴリはサンプル数が非常に少ないです。季節性・トレンドを考慮しながら、1つのモデルで全カテゴリを同時予測し、データが少ないカテゴリでも精度を確保したいと考えています。最適なSageMaker組み込みアルゴリズムはどれですか？

Accepted Answer

正解: SageMaker DeepARを使用し、全商品カテゴリの時系列データをグローバルモデルとして同時学習させ、確率的予測を取得する。SageMaker DeepARは、複数の関連する時系列を1つのグローバルな確率的予測モデルとして同時学習するAmazonの組み込みアルゴリズムです。200以上の商品カテゴリをグローバルモデルで学習することで、データ豊富なカテゴリからデータ疎なカテゴリへ知識を転移でき、希少カテゴリの予測精度も向上します。LSTMベースのアーキテクチャにより季節性・トレンドを自動考慮し、点予測だけでなく予測区間も出力できます。

選択肢BのLinear Learnerは汎用の回帰・分類アルゴリズムで、時系列固有の季節性や自己回帰構造を内部的に扱う機能がなく、カテゴリ間の知識転移も発生しません。
選択肢CのXGBoostは各カテゴリを独立して学習するため、サンプル数が少ない希少カテゴリでカテゴリ間の知識転移が発生せず、過学習リスクが高くなります。
選択肢DのRandom Cut Forestは教師なし異常検知アルゴリズムであり、将来の需要値を予測する時系列回帰タスクには使用できません。

Answer

SageMaker Linear Learnerを各カテゴリに個別適用し、時間インデックスや季節ダミー変数を特徴量として回帰モデルを構築する — Linear Learnerは汎用の線形回帰アルゴリズムで、時系列の自己回帰成分や季節性を内部的にモデル化する機能を持たない。各カテゴリに個別適用する設計ではカテゴリ間の知識転移も発生せず、希少カテゴリの精度確保が困難になる。

Answer

SageMaker XGBoostを使用し、各カテゴリのデータを独立して学習させ、ラグ特徴量と移動平均を手動で作成して予測する — XGBoostは強力な勾配ブースティングアルゴリズムだが、カテゴリを独立して学習するため希少カテゴリでは過学習しやすく、DeepARのようなクロスシリーズ学習による知識転移ができない点が要件を満たさない。

Answer

SageMaker Random Cut Forestを使用し、需要データの外れ値を除去した後に各カテゴリの傾向予測モデルを個別に構築する — Random Cut Forestはリアルタイム異常検知向けの教師なしアルゴリズムで、将来の需要値を予測する回帰・時系列予測タスクには設計されておらず、需要予測に使用できない。

解説

解説