Closed nogawanogawa closed 1 year ago
linkedinでは、パフォーマンス管理やリソース管理のため、時系列モデルを使用している。 既存のツールでは、学習に時間がかかったり、ドメイン知識を柔軟に取り込んだり、結果を解釈したりするのを簡単に行うことが難しい。
簡単に使える高速かつ柔軟にカスタム可能で、解釈可能な時系列モデリングの使用
Greykiteで使用しているSilverkiteでは大きく2段階の処理で構成されている。
目的変数Yの条件付き平均は下記の式で表現される
これらを使用してモデルに投入することで、時系列モデリングを行う。 (デフォルト:ridge回帰らしい?)
ボラティリティ/不確実性モデルは条件付き平均モデルとは別に適用される。 条件付き平均モデルと実測値との乖離ををもとにモデルの予測区間を予測するらしい。 (あんまわかってない)
まず季節性と相互作用に関する分析を行う。
次にトレンド、周期性の抽出と、それらの変化点検値を"自動で"行う。
これらを用いてモデリングを行い、結果を出力する
これらの出力によって解釈を用意にしている。
1つのケースを除いてMASEは良くなってそう。
実行時間的にも、学習は早そう。推論はSARIMAのケースを除外してみれば良さそうに見える。
LinkedIn Premium の異常を検出し、影響の重大性を評価するのに役立った例
収益予測に役立った例
インフラのキャパシティプランニングにも使用している
論文URL
https://dl.acm.org/doi/10.1145/3534678.3539165
著者
Reza Hosseini, Albert Chen, Kaixu Yang, Sayan Patra, Yi Su
会議
kdd 2022
背景
linkedinでは、施策やリソースの検討のため、時系列モデルを使用している。 既存のツールでは、学習に時間がかかったり、ドメイン知識を柔軟に取り込んだり、結果を解釈したりするのを簡単に行うことが難しい。
目的
簡単に使える高速かつ柔軟にカスタム可能で、解釈可能な時系列モデリングの使用
アプローチ
ひとことメモ
使ってみた記事