Submit Search
Upload
14. BigQuery ML を用いた多変量時系列データの解析.pdf
•
0 likes
•
59 views
幸
幸太朗 岩澤
Follow
機械学習の社会実装勉強会 第20回の発表内容です。 https://machine-learning-workshop.connpass.com/event/246825/
Read less
Read more
Technology
Report
Share
Report
Share
1 of 17
Download now
Download to read offline
Recommended
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
西岡 賢一郎
Gpu accelerates aimodeldevelopmentandanalyticsutilizingelasticsearchandazure ai
Gpu accelerates aimodeldevelopmentandanalyticsutilizingelasticsearchandazure ai
Shotaro Suzuki
3. Vertex AIを用いた時系列データの解析
3. Vertex AIを用いた時系列データの解析
幸太朗 岩澤
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
Denodo
[Cloud OnAir] 最新アップデート Google Cloud データ関連ソリューション 2020年5月14日 放送
[Cloud OnAir] 最新アップデート Google Cloud データ関連ソリューション 2020年5月14日 放送
Google Cloud Platform - Japan
Qlik Tips: 実践!Qlik AutoML
Qlik Tips: 実践!Qlik AutoML
QlikPresalesJapan
東北大学AIE - 機械学習中級編とAzure紹介
東北大学AIE - 機械学習中級編とAzure紹介
Daiyu Hatakeyama
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Hideo Takagi
Recommended
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
西岡 賢一郎
Gpu accelerates aimodeldevelopmentandanalyticsutilizingelasticsearchandazure ai
Gpu accelerates aimodeldevelopmentandanalyticsutilizingelasticsearchandazure ai
Shotaro Suzuki
3. Vertex AIを用いた時系列データの解析
3. Vertex AIを用いた時系列データの解析
幸太朗 岩澤
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
Denodo
[Cloud OnAir] 最新アップデート Google Cloud データ関連ソリューション 2020年5月14日 放送
[Cloud OnAir] 最新アップデート Google Cloud データ関連ソリューション 2020年5月14日 放送
Google Cloud Platform - Japan
Qlik Tips: 実践!Qlik AutoML
Qlik Tips: 実践!Qlik AutoML
QlikPresalesJapan
東北大学AIE - 機械学習中級編とAzure紹介
東北大学AIE - 機械学習中級編とAzure紹介
Daiyu Hatakeyama
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Hideo Takagi
機械学習アーキテクチャ・デザインパターン
機械学習アーキテクチャ・デザインパターン
Hironori Washizaki
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
Hironori Washizaki
メルペイあと払いを実現するData Pipeline
メルペイあと払いを実現するData Pipeline
SatoshiMatsuzaki1
[Cloud OnAir] BigQuery で実現する Smart Analytics Platform 2019年10月24日 放送
[Cloud OnAir] BigQuery で実現する Smart Analytics Platform 2019年10月24日 放送
Google Cloud Platform - Japan
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
Google Cloud Platform - Japan
Oracle Data Minerハンズオンセミナー170927:②Oracle data minerハンズオン資料
Oracle Data Minerハンズオンセミナー170927:②Oracle data minerハンズオン資料
オラクルエンジニア通信
Azure Machine Learning Services 概要 - 2019年3月版
Azure Machine Learning Services 概要 - 2019年3月版
Daiyu Hatakeyama
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazon Web Services Japan
IBM cloud 冬の勉強会 google の視点も織り交ぜ理解するkubernetes , istio , grafeas とibm cloud pr...
IBM cloud 冬の勉強会 google の視点も織り交ぜ理解するkubernetes , istio , grafeas とibm cloud pr...
Tsuyoshi Hirayama
Migrating tocloudnativeapplicationwithusingelasticapm
Migrating tocloudnativeapplicationwithusingelasticapm
Shotaro Suzuki
Vertex AI Pipelinesで BigQuery MLのワークフローを管理 (ETL ~ デプロイまで)
Vertex AI Pipelinesで BigQuery MLのワークフローを管理 (ETL ~ デプロイまで)
幸太朗 岩澤
BrainPad - Doors - A-1 - Microsoft Data and AI
BrainPad - Doors - A-1 - Microsoft Data and AI
Daiyu Hatakeyama
Hivemall Talk@SIGMOD-J Oct.4, 2014.
Hivemall Talk@SIGMOD-J Oct.4, 2014.
Makoto Yui
BigQuery Query Optimization クエリ高速化編
BigQuery Query Optimization クエリ高速化編
sutepoi
MySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdf
Machiko Ikoma
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版
Daiyu Hatakeyama
[Microsoft Tech Summit 2018] Azure Machine Learning サービスと Azure Databricks で実...
[Microsoft Tech Summit 2018] Azure Machine Learning サービスと Azure Databricks で実...
Naoki (Neo) SATO
データレイクを基盤としたAWS上での機械学習サービス構築
データレイクを基盤としたAWS上での機械学習サービス構築
Amazon Web Services Japan
Big query and elasticsearch insight at scale
Big query and elasticsearch insight at scale
Shotaro Suzuki
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
15. Transformerを用いた言語処理技術の発展.pdf
15. Transformerを用いた言語処理技術の発展.pdf
幸太朗 岩澤
BigQuery ML for unstructured data
BigQuery ML for unstructured data
幸太朗 岩澤
More Related Content
Similar to 14. BigQuery ML を用いた多変量時系列データの解析.pdf
機械学習アーキテクチャ・デザインパターン
機械学習アーキテクチャ・デザインパターン
Hironori Washizaki
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
Hironori Washizaki
メルペイあと払いを実現するData Pipeline
メルペイあと払いを実現するData Pipeline
SatoshiMatsuzaki1
[Cloud OnAir] BigQuery で実現する Smart Analytics Platform 2019年10月24日 放送
[Cloud OnAir] BigQuery で実現する Smart Analytics Platform 2019年10月24日 放送
Google Cloud Platform - Japan
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
Google Cloud Platform - Japan
Oracle Data Minerハンズオンセミナー170927:②Oracle data minerハンズオン資料
Oracle Data Minerハンズオンセミナー170927:②Oracle data minerハンズオン資料
オラクルエンジニア通信
Azure Machine Learning Services 概要 - 2019年3月版
Azure Machine Learning Services 概要 - 2019年3月版
Daiyu Hatakeyama
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazon Web Services Japan
IBM cloud 冬の勉強会 google の視点も織り交ぜ理解するkubernetes , istio , grafeas とibm cloud pr...
IBM cloud 冬の勉強会 google の視点も織り交ぜ理解するkubernetes , istio , grafeas とibm cloud pr...
Tsuyoshi Hirayama
Migrating tocloudnativeapplicationwithusingelasticapm
Migrating tocloudnativeapplicationwithusingelasticapm
Shotaro Suzuki
Vertex AI Pipelinesで BigQuery MLのワークフローを管理 (ETL ~ デプロイまで)
Vertex AI Pipelinesで BigQuery MLのワークフローを管理 (ETL ~ デプロイまで)
幸太朗 岩澤
BrainPad - Doors - A-1 - Microsoft Data and AI
BrainPad - Doors - A-1 - Microsoft Data and AI
Daiyu Hatakeyama
Hivemall Talk@SIGMOD-J Oct.4, 2014.
Hivemall Talk@SIGMOD-J Oct.4, 2014.
Makoto Yui
BigQuery Query Optimization クエリ高速化編
BigQuery Query Optimization クエリ高速化編
sutepoi
MySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdf
Machiko Ikoma
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版
Daiyu Hatakeyama
[Microsoft Tech Summit 2018] Azure Machine Learning サービスと Azure Databricks で実...
[Microsoft Tech Summit 2018] Azure Machine Learning サービスと Azure Databricks で実...
Naoki (Neo) SATO
データレイクを基盤としたAWS上での機械学習サービス構築
データレイクを基盤としたAWS上での機械学習サービス構築
Amazon Web Services Japan
Big query and elasticsearch insight at scale
Big query and elasticsearch insight at scale
Shotaro Suzuki
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
Similar to 14. BigQuery ML を用いた多変量時系列データの解析.pdf
(20)
機械学習アーキテクチャ・デザインパターン
機械学習アーキテクチャ・デザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
メルペイあと払いを実現するData Pipeline
メルペイあと払いを実現するData Pipeline
[Cloud OnAir] BigQuery で実現する Smart Analytics Platform 2019年10月24日 放送
[Cloud OnAir] BigQuery で実現する Smart Analytics Platform 2019年10月24日 放送
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
Oracle Data Minerハンズオンセミナー170927:②Oracle data minerハンズオン資料
Oracle Data Minerハンズオンセミナー170927:②Oracle data minerハンズオン資料
Azure Machine Learning Services 概要 - 2019年3月版
Azure Machine Learning Services 概要 - 2019年3月版
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用について
IBM cloud 冬の勉強会 google の視点も織り交ぜ理解するkubernetes , istio , grafeas とibm cloud pr...
IBM cloud 冬の勉強会 google の視点も織り交ぜ理解するkubernetes , istio , grafeas とibm cloud pr...
Migrating tocloudnativeapplicationwithusingelasticapm
Migrating tocloudnativeapplicationwithusingelasticapm
Vertex AI Pipelinesで BigQuery MLのワークフローを管理 (ETL ~ デプロイまで)
Vertex AI Pipelinesで BigQuery MLのワークフローを管理 (ETL ~ デプロイまで)
BrainPad - Doors - A-1 - Microsoft Data and AI
BrainPad - Doors - A-1 - Microsoft Data and AI
Hivemall Talk@SIGMOD-J Oct.4, 2014.
Hivemall Talk@SIGMOD-J Oct.4, 2014.
BigQuery Query Optimization クエリ高速化編
BigQuery Query Optimization クエリ高速化編
MySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdf
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版
[Microsoft Tech Summit 2018] Azure Machine Learning サービスと Azure Databricks で実...
[Microsoft Tech Summit 2018] Azure Machine Learning サービスと Azure Databricks で実...
データレイクを基盤としたAWS上での機械学習サービス構築
データレイクを基盤としたAWS上での機械学習サービス構築
Big query and elasticsearch insight at scale
Big query and elasticsearch insight at scale
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
More from 幸太朗 岩澤
15. Transformerを用いた言語処理技術の発展.pdf
15. Transformerを用いた言語処理技術の発展.pdf
幸太朗 岩澤
BigQuery ML for unstructured data
BigQuery ML for unstructured data
幸太朗 岩澤
12. Diffusion Model の数学的基礎.pdf
12. Diffusion Model の数学的基礎.pdf
幸太朗 岩澤
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf
幸太朗 岩澤
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
幸太朗 岩澤
Vertex AI Pipelinesで BigQuery MLのワークフローを管理
Vertex AI Pipelinesで BigQuery MLのワークフローを管理
幸太朗 岩澤
7. Vertex AI Model Registryで BigQuery MLのモデルを管理する
7. Vertex AI Model Registryで BigQuery MLのモデルを管理する
幸太朗 岩澤
6. Vertex AI Workbench による Notebook 環境.pdf
6. Vertex AI Workbench による Notebook 環境.pdf
幸太朗 岩澤
5. Big Query Explainable AIの紹介
5. Big Query Explainable AIの紹介
幸太朗 岩澤
4. CycleGANの画像変換と現代美術への応用
4. CycleGANの画像変換と現代美術への応用
幸太朗 岩澤
2. BigQuery ML を用いた時系列データの解析 (ARIMA model)
2. BigQuery ML を用いた時系列データの解析 (ARIMA model)
幸太朗 岩澤
1. BigQueryを中心にした ML datapipelineの概要
1. BigQueryを中心にした ML datapipelineの概要
幸太朗 岩澤
More from 幸太朗 岩澤
(12)
15. Transformerを用いた言語処理技術の発展.pdf
15. Transformerを用いた言語処理技術の発展.pdf
BigQuery ML for unstructured data
BigQuery ML for unstructured data
12. Diffusion Model の数学的基礎.pdf
12. Diffusion Model の数学的基礎.pdf
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
Vertex AI Pipelinesで BigQuery MLのワークフローを管理
Vertex AI Pipelinesで BigQuery MLのワークフローを管理
7. Vertex AI Model Registryで BigQuery MLのモデルを管理する
7. Vertex AI Model Registryで BigQuery MLのモデルを管理する
6. Vertex AI Workbench による Notebook 環境.pdf
6. Vertex AI Workbench による Notebook 環境.pdf
5. Big Query Explainable AIの紹介
5. Big Query Explainable AIの紹介
4. CycleGANの画像変換と現代美術への応用
4. CycleGANの画像変換と現代美術への応用
2. BigQuery ML を用いた時系列データの解析 (ARIMA model)
2. BigQuery ML を用いた時系列データの解析 (ARIMA model)
1. BigQueryを中心にした ML datapipelineの概要
1. BigQueryを中心にした ML datapipelineの概要
Recently uploaded
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
yassun7010
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
CRI Japan, Inc.
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
atsushi061452
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
keikoitakurag
【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow
Sony - Neural Network Libraries
20240523_IoTLT_vol111_kitazaki_v1___.pdf
20240523_IoTLT_vol111_kitazaki_v1___.pdf
Ayachika Kitazaki
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
atsushi061452
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
NTT DATA Technology & Innovation
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
ssuserbefd24
Recently uploaded
(10)
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow
20240523_IoTLT_vol111_kitazaki_v1___.pdf
20240523_IoTLT_vol111_kitazaki_v1___.pdf
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
14. BigQuery ML を用いた多変量時系列データの解析.pdf
1.
BigQuery ML を用いた 多変量時系列データの解析 ARIMAモデル 2023/02/18
機械学習の社会実装勉強会 第20回
2.
- 時系列データ、ARIMAモデルの概説 - BigQuery
MLで多変量時系列データの解析 - デモ:モデル作成、予測結果の可視化 今回の内容
3.
ARIMA_PLUS を用いた一変量時系列データの解析 2021/11/27 機械学習の社会実装勉強会
第5回 「BigQuery ML を用いた時系列データの解析 (ARIMA model)」 https://www.slideshare.net/ssusere6d3be/bigquery-ml-arima-model https://cloud.google.com/bigquery-ml/docs/reference/standard-sql/bigqueryml-syntax-create-multivariate-time-series BigQuery MLで多変量時系列データ解析が可能に - Bigquery に ARIMA_PLUS_XREG関数が追加 (*2023/2時点プレビュー) - これまではARIMA_PLUS関数で 一変量時系列データ 解析は可能だった - (どちらもARIMAモデルを使用)
4.
• 気温,気圧 • 株価 •
GDP • ⾎圧, 脈拍, 体重 ... などの時間と共に変動するデータ{ } 日付 体重 時系列データ
5.
一変量時系列データ解析手法 AR 自己回帰 MA 移動平均 I
和分過程 ARモデル MAモデル ARMAモデル ARIMAモデル (ARMA + 和分過程) ARIMAモデル
6.
◆ AR (Auto
Regressive: 自己回帰) ◆ AR(1) 1次の項のみ 時刻t の値 過去の値 ホワイトノイズ 過去の値を用いて予測 ARモデル
7.
◆ MA (Moving
Average: 移動平均) -> 過去のノイズ値を用いて予測 ◆ MA(1): 1次の項のみ 時刻t の値 過去のノイズ MAモデル
8.
◆ ARMA (Auto
Regressive moving average: 自己回帰移動平均) ◆ ARIMA (Auto Regessive integrated moving average: 自己回帰和分移動平均) MAモデル ARモデル ARMAモデル -> AR + MA (それぞれの次数 p, q) -> データの差分 (𝑦𝑡–𝑦𝑡–𝑑) に対してARMAを適用 (次数, p, d, q) d個前の値との差分 ARMAモデル / ARIMAモデル 係数&次数の選択: AICを最小化
9.
https://cloud.google.com/bigquery-ml/docs/reference/standard-sql/bigqueryml-syntax-create-time-series#time_series_modeling_pipeline ARIMA_PLUS Pipelines for ARIMA
model in BigQuery ML
10.
ARIMA モデルを用いた一変量時系列データの解析 2021/11/27 機械学習の社会実装勉強会第5回
「BigQuery ML を用いた時系列データの解析(ARIMA model)」 https://www.slideshare.net/ssusere6d3be/bigquery-ml-arima-model 過去発表:ARIMAモデルによるCOVID-19感染者数予測
11.
一変量時系列解析 - 日付、pm2.5濃度 多変量時系列解析 - 日付、気温、風速、pm2.5濃度 長期的傾向(トレンド) -
増加 or 減少 周期性 - 週次 - 季節性 外的要因 (複数の特徴量) - 産業構造の変化 - 法規制 - … 過去の自分の値から 将来の値を予測 時系列データ予測の難しさ
12.
シアトルの(pm2.5濃度, 風速, 気温)
(2009/8/11 ~ 2022/1/31) - date: 観測日 - PM2.5: 各日の PM 2.5 の平均値 - wind_speed: 各日の平均風速 - temperature: 各日の最高気温 今回使用するデータセット
13.
https://cloud.google.com/bigquery-ml/docs/reference/standard-sql/bigqueryml-syntax-create-multivariate-time-series#time_series_modeling_pipeline https://cloud.google.com/bigquery-ml/docs/reference/standard-sql/bigqueryml-syntax-create-time-series#time_series_modeling_pipeline ARIMA_PLUS Pipelines for ARIMA
model in BigQuery ML ARIMA_PLUS_XREG
14.
Demo ➢ シアトルのpm2.5濃度予測 ○ Public
dataからシアトルの気象データを抽出・加工 ○ モデル学習・評価・予測 使用したNotebook: https://github.com/kootr/ml-study-session/blob/main/20230218_bq_arimamodel/bq_ari ma_multiple_variables.ipynb 参考Tutorial https://cloud.google.com/bigquery-ml/docs/reference/standard-sql/bigqueryml-syntax-cr eate-multivariate-time-series
15.
- ARIMAモデルはARモデル +
MAモデルに和分過程を取り込んだ一変量時系列データ解析モデル - 多変量時系列データに対しても BigQuery MLで解析が可能に(2023/2時点プレビュー) まとめ
16.
使用したコード - https://github.com/kootr/ml-study-session/tree/main/20230218_bq_arimamodel - 経済・ファイナンスデータの計量時系列分析 -
ホワイトノイズ - 4-4 時系列データ解析 東京大学 数理・情報教育研究センター - AICによるARモデルのモデル選択 - auto.arima() in R - http://www.dsinst.co.jp/dsi/ARIMAModel.pdf - https://www.i-juse.co.jp/statistics/jirei/sympo/10/arima-model.html 参考資料
17.
補足:BigQuery スロット - ARIMA_PLUS_XREG関数の使用には、スロットの購入が必要です -
手順は過去の発表を参考にしてください - https://www.slideshare.net/ssusere6d3be/bigquery-ml
Download now