![2014年10月頃をピークに需要は頭打ち傾向
１ヶ月ごとの利用数推移[回]](https://image.slidesharecdn.com/machinelearning-180609224105/85/-5-320.jpg)
![需要変動の影響要因：
そもそも、平日/休日によって需要が大きく異なる
平日の需要は休日の2-3倍前後
集計期間：2013/8~2015/8の３年間
Weekday: Mon/Tue/Wen/Thu/Fri
Weekend: Sat/Sun一日ごとの利用数推移[回]](https://image.slidesharecdn.com/machinelearning-180609224105/85/-11-320.jpg)
![ハイパーパラメータチューニング：
Random Forestモデルについて、以下のパラメータ条件で
グリッドサーチによるパラメータチューニングを実施
tuned_parameters_rdfr = {
"max_depth": [2,3, None],
"n_estimators":[100, 200, 300],
"max_features": [1, 3, 5],
"min_samples_split": [2, 3, 10],
"min_samples_leaf": [1, 3, 10],
"bootstrap": [True, False],
}
各5回ずつのクロスバリデーションの結果、
最も精度の良い条件を抽出
max_depth=None, max_features=5, max_leaf_nodes=None, min_impurity_decrease=0.0,
min_impurity_split=None, min_samples_leaf=1, min_samples_split=10,
min_weight_fraction_leaf=0.0, n_estimators=300](https://image.slidesharecdn.com/machinelearning-180609224105/85/-23-320.jpg)
![予測結果の確認：
一日ごとの予測結果は、実際の需要をうまく追従できて
いて、実用域に達している
一日ごとの予測利用数と実利用数[回] （総数集計）](https://image.slidesharecdn.com/machinelearning-180609224105/85/-24-320.jpg)
![予測結果の確認：
参考：100セットだけ取り出した場合の結果
一日ごとの予測利用数と実利用数[回] （総数集計）](https://image.slidesharecdn.com/machinelearning-180609224105/85/-25-320.jpg)
![予測結果の確認：
時間帯ごとの予測結果も実需要を比較的うまく追従でき
ていて、実用域に達していると思われる
時間帯ごとの予測利用数と実利用数 [回] (San Francisco市, 平日）](https://image.slidesharecdn.com/machinelearning-180609224105/85/-26-320.jpg)
![時間帯ごとの予測利用数と実利用数 [回] (San Francisco市, 平日）
予測結果の確認：
参考：100セットだけ取り出した場合の結果](https://image.slidesharecdn.com/machinelearning-180609224105/85/-27-320.jpg)
机械学习を活用した需要予测の提案
- 2. 1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3. 機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
- 3. 1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3. 機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
- 4. 貴社(Ford Motor)はベイエリアで自転車のシェア リングのビジネスを展開している City Stations Mountain View 7 Palo Alto 5 Redwood City 7 San Francisco 35 San Jose 16 ステーション数(2015年8月時点)
- 6. 需要が頭打ちになる要因： そもそも需要数は場所などによってオーダーが大きく異る 集計期間：2013/8~2015/8の３年間 例えば、San Francisco, San Joseなどのダウンタウンでは利用数5万回を 超えているところもあるが、Palo Altoのような学生街は2千回前後。 ほかにも、時間帯、月、位置、 天気など様々な影響要因が考 えられる
- 10. 1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3. 機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
- 18. 1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3. 機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
- 19. 需要予測モデルのご提案： ステーション位置/月/日付/時間帯/天気などを説明変数と し、ステーションの時間帯別利用数の予測するモデルを機 械学習で構築 入力 出力 ステーション位置 (LAT, LONG) 年月日 (2013/2014/2015) 平日/休日 (Weekday/Weekend) 時間帯 （ラッシュアワーなど） 気温、湿度など 天気データ ステーション別、 時間帯別利用数 ステーション位置、年月日、平日 休日フラグ、時間帯フラグ、各種 天気データを入力データにセット 出力データには、 ステーション別時 間帯別需要数を セット 入力と出力を元に、複数モデルによる機械学習 を実施し、予測精度が最も高いモデルを選択 x1 x2 x3 xn xn-1 …. y 利用数予測 入力データ 日々の時間帯別利用数を予測するモデルを作成 1 23 4 … 重回帰 Rige回帰 Lasso回帰 Random Forest 決定木 Gradient Boosting Ada Boosting 機械学習モデル
- 20. 説明変数 要因/単位 取得先 ステーション緯度(LAT) 度 Stationデータより取得 ステーション経度(LONG) 度 Stationデータより取得 年 2013/2014/2015 Tripデータ 月 1/2/3/4/5/6/7/8/9/10/11/12 Tripデータ 日 1-31日 Tripデータ 曜日 Weekday（月曜日 ～ 金曜日） Weekend（土曜日、日曜日） Tripデータより条件分岐で作成、 変数ダミー化 時間帯 Moring Rush (6-10時) Noon(11-15時) Evening Rush(16-20時) Night(21-翌日5時） Tripデータより 条件分岐で作成 変数はダミー化 天気イベント No_RainFog(イベントなし)/Rain/Fog-Rain/ Rain-Thunderstorm Weatherデータ* 平均気温 F Weatherデータ* 平均湿度 % Weatherデータ* 平均風速 mph Weatherデータ* 平均気圧 inches Weatherデータ* 雲量 0/1/2/3/4/5/6/7/8 Weatherデータ* 可視度 Miles Weatherデータ* 降水量 Inches Weatherデータ* 各種前提条件： 説明変数?被説明変数一覧 2013年8月～2015年8月までのデータを結合、集計 被説明変数 要因/単位 取得先 利用数 (Trips) 回 Tripsデータより、説明変数で groupbyして集計 *weatherデータは欠損値が存在す るため、時系列であることを考慮 し、直前のデータで補間
- 21. 各種前提条件： 選択モデル、学習?検証データ、精度検証条件 ? 選択モデル ? 重回帰 ? Rige回帰 ? Lasso回帰 ? 決定木 ? 学習データ ? 2013年-2015年データのうち、ランダムに抽出された8割前後の データ?セット ? 検証データ ? 2013年-2015年データのうち、ランダムに抽出された2割前後の データ?セット ? 精度検証条件 ? 5回のクロスバリデーションによって検証 ? Random Forest ? Gradient Boosting ? Ada Boosting
- 22. モデルの選択： クロスバリデーションの結果、Random Forestの精度 が一番高かったため、予測モデルに使用 検証モデル Mean R2 Negative Mean Squad Error 重回帰 0.24 -40.02 Rige回帰 0.24 -40.02 Lasso回帰 0.00 -52.65 決定木 0.68 -16.68 Random Forest 0.85 -8.22 Gradient Boosting 0.60 -21.05 Ada Boosting 0.40 -31.53
- 23. ハイパーパラメータチューニング： Random Forestモデルについて、以下のパラメータ条件で グリッドサーチによるパラメータチューニングを実施 tuned_parameters_rdfr = { "max_depth": [2,3, None], "n_estimators":[100, 200, 300], "max_features": [1, 3, 5], "min_samples_split": [2, 3, 10], "min_samples_leaf": [1, 3, 10], "bootstrap": [True, False], } 各5回ずつのクロスバリデーションの結果、 最も精度の良い条件を抽出 max_depth=None, max_features=5, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, min_samples_leaf=1, min_samples_split=10, min_weight_fraction_leaf=0.0, n_estimators=300
- 26. 予測結果の確認： 時間帯ごとの予測結果も実需要を比較的うまく追従でき ていて、実用域に達していると思われる 時間帯ごとの予測利用数と実利用数 [回] (San Francisco市, 平日）
- 27. 時間帯ごとの予測利用数と実利用数 [回] (San Francisco市, 平日） 予測結果の確認： 参考：100セットだけ取り出した場合の結果
- 29. 1. 自転車シェアリングビジネスの現状に対する理解 2. 需要変動の影響要因分析 3. 機械学習による需要予測モデルの構築 4. 需要予測に基づく価格変動モデルの提案
- 30. 変動価格モデルのご提案： 現在の膠着的な価格体系を改め、機械学習で予測された需 要数をもとにその日、その時間帯、そのステーションの価 格を柔軟に変動させる 需要数 価格 価格 需要数 変動する需要に対して価格が一定値であり、 需要が多い?少ないときの売上の取りこぼ しが発生する 現在 新価格モデル 機械学習で予測された需要のもと、ステー ション、日付、天気、時間帯の違いに応じ、 価格を上下させることで、需給にあった価格 体系にする 価格変動率%(t) = (1/価格弾性値)×需要変動率%(t)モデル （例）： 価格変動率：設定価格/現在の一定価格 需要変動率：予測需要数/平均需要数
- 31. 価値の提供方法： 変動価格モデルをスマホアプリに組み込み、お客様に最適 価格をアプリ内決済によってリアルタイムで提供 その時の価格を予測 入力データDock位置 日付/曜日 天気など 1 アプリから必要な 変数データを取得 2 機械学習によってその条件 下での需要数を弾き出す 3 予測された需要数を価格変 動モデルに当てはめ、その 時の最適価格を計算 4 最適価格をアプリで即提案 アプリ内決済による支払い を実施 現在の価格
- 32. 需要予測に基づいた価格変動率の計算例 時間帯ごとの価格変動率例 (San Francisco市, 平日） 価格弾性値：10 と仮定した場合
- 33. APPENDIX ? 時間があったら（PCスペックが足りていたら）やってみたかったこと ? ステーションごとの稼働率の予測 ? PCスペック不足により、status.csvの集計、処理に時間がかかりすぎてしまい、時間が足 りず（MYSQL, SQLiteで扱っても同じ）。 ? SVM、ニューラルネットワークなどのモデルの適用 ? Fitメソッドの呼び出しに10分かかるため、クロスバリデーション、ハイパーパラメータ チューニングをする時間が足りず。 ? 複数モデルのハイパーパラメータチューニング ? PCスペック不足により時間が足りず。 ? 価格変動モデルの精緻化 ? 思いつく範囲の線形モデルで立ててみたが、実際にはより実情を反映したモデルがあると 思われる。