翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# 輸送需要を予測する機械学習モデル
<a name="machine-learning-models"></a>

次の図は、トレーニングデータの例を示しています。ターゲットは予測対象であり、関連する時系列 1 および 2 はターゲットの予測に関連する入力機能です。履歴データはトレーニングと検証に使用され、モデル検証のために履歴データの期間を保留します。



![履歴データ、ホールドアウトデータ、予測を示す折れ線グラフ](http://docs.aws.amazon.com/ja_jp/prescriptive-guidance/latest/forecast-demand-freight-capacity/images/time-series-training-data.png)


需要予測では、出力 (またはターゲット) は予測する需要量です。入力機能は、出力に関連する時系列データです。ML モデルをトレーニングして需要量の正確な予測を行うには、ソリューションに 2 つの機械学習モデルが必要です。最初のモデルは、内部データと外部データの両方を含む入力特徴の時系列予測を行います。2 番目のモデルは、すべての機能を使用して最終的な需要予測を行います。これら 2 つのモデルを一緒に使用することで、時系列の傾向とターゲットと入力の関係を効果的にキャプチャできます。

## 入力特徴量予測の ML モデル
<a name="ml-model-input-feature"></a>

入力機能には、内部と外部の両方の履歴時系列データが含まれます。各特徴量の予測を行うには、1 次元 (1D) 時系列モデルを使用できます。さまざまなアルゴリズムを使用できます。例えば、 [https://facebook.github.io/prophet/](https://facebook.github.io/prophet/)は強力な季節的効果と数シーズンの履歴データを持つ時系列に最適です。予測は、個々の機能ごとに生成されます。

## ターゲット変数予測の ML モデル
<a name="ml-model-target-forecast"></a>

出力の ML モデル、または需要ボリュームは、すべての機能と出力の関係をキャプチャするように構築されています。、、、 などlassoridge regressionrandom forest、さまざまな教師あり回帰モデルを使用できますXGBoost。モデルを構築し、最適なパラメータとハイパーパラメータを見つけるときは、ホールドアウトデータを使用できます。*ホールドアウトデータは*、機械学習モデルのトレーニングに使用されるデータセットから保留される、ラベル付きの履歴データの一部です。ホールドアウトデータと予測を比較することで、ホールドアウトデータを使用してモデルのパフォーマンスを評価できます。