飲食業の需要予測 Prophet

飲食業の需要予測

飲食業の需要予測の例題をProphetを使用して解いてみましょう。

まず、仮想のデータセットを用意しましょう。

例えば、過去4年間のあるレストランの月間売上データを持っているとします。

以下にデータの例を示します：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
日付,売上
2022-01-01,1000
2022-02-01,1200
2022-03-01,1100
2022-04-01,1300
2022-05-01,1400
2022-06-01,1500
2022-07-01,1300
2022-08-01,1200
2022-09-01,1100
2022-10-01,1000
2022-11-01,1200
2022-12-01,1300
2023-01-01,1400
2023-02-01,1500
2023-03-01,1600
2023-04-01,1400
2023-05-01,1300
2023-06-01,1200
2023-07-01,1100
2023-08-01,1000
2023-09-01,1200
2023-10-01,1300
2023-11-01,1400
2023-12-01,1500
2024-01-01,1600
2024-02-01,1700
2024-03-01,1500
2024-04-01,1400
2024-05-01,1300
2024-06-01,1200
2024-07-01,1100
2024-08-01,1000
2024-09-01,1200
2024-10-01,1300
2024-11-01,1400
2024-12-01,1500
2025-01-01,1600
2025-02-01,1700
2025-03-01,1800
2025-04-01,1600
2025-05-01,1500
2025-06-01,1400
2025-07-01,1300
2025-08-01,1200
2025-09-01,1100
2025-10-01,1000
2025-11-01,1200
2025-12-01,1300

それでは、PythonのProphetライブラリを使用してこのデータセットで需要予測を行ってみましょう。

まず、Prophetライブラリがインストールされていない場合は、次のコマンドを使用してインストールします：

1
!pip install prophet

インストールが完了したら、以下のコードを使って進めます。

以下は、提供されたデータセットを使用してProphetを使った需要予測を行う例です：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import pandas as pd
from prophet import Prophet
import matplotlib.pyplot as plt

# データセットの定義
data = pd.read_csv('データセットのパス.csv')

# Prophet用にデータを準備する
data = data.rename(columns={'日付': 'ds', '売上': 'y'})

# Prophetモデルの作成
model = Prophet()

# データにモデルをフィットさせる
model.fit(data)

# 予測のための未来の日付を生成する
future_dates = model.make_future_dataframe(periods=12, freq='M')

# 予測を実行する
forecast = model.predict(future_dates)

# 予測結果をグラフ化する
model.plot(forecast, xlabel='Date', ylabel='Sales')
plt.title('Restaurant Demand Forecast')
plt.show()

この例では、まず必要なライブラリをインポートし、Prophetもインポートしています。

次にデータセットを読み込み、列名をProphetの予測モデルに合わせて変更しています。

その後、Prophetモデルを作成し、データにフィットさせ、予測のための未来の日付を生成します。

最後に、モデルを使用して未来の日付の売上を予測し、予測結果をグラフ化しています。

'データセットのパス.csv'の部分は、実際のデータセットファイルのパスに置き換えてください。

また、make_future_dataframeのperiodsパラメータを調整して、予測する未来の期間の数を指定することもできます。

ソースコード解説

以下、コードの各部分の詳細な説明です。

1. ライブラリのインポート:

1
2
3
import pandas as pd
from prophet import Prophet
import matplotlib.pyplot as plt
  • pandas: データ操作や分析のためのPythonライブラリ。
  • Prophet: Facebookが開発した時系列予測ライブラリ。このライブラリを使用して時系列モデルを構築し、予測を行う。
  • matplotlib.pyplot: グラフを描画するためのPythonライブラリ。

2. データセットの読み込み:

1
data = pd.read_csv('データセットのパス.csv')

CSV形式のデータセットを読み込み、dataという名前のDataFrame（表形式のデータ構造）に格納しています。

3. データの準備:

1
data = data.rename(columns={'日付': 'ds', '売上': 'y'})

データのカラム名をProphetの予測モデルに合わせるために変更しています。
'日付'カラムは時系列の日付を表し、'売上'カラムは予測する対象の数値データ（売上）を表しています。

4. Prophetモデルの作成:

1
model = Prophet()

Prophetのモデルをインスタンス化します。
このモデルは、時系列データからトレンド、季節性、ホリデーエフェクトなどを学習し、予測を行うために使用されます。

5. モデルのデータへのフィッティング（適合）:

1
model.fit(data)

dataに格納されたデータを使用して、Prophetモデルに適合させます。
モデルはここでデータのトレンドや季節性を学習します。

6. 未来の日付の生成:

1
future_dates = model.make_future_dataframe(periods=12, freq='M')

予測を行うための未来の日付を生成します。
periodsで指定した期間（ここでは12ヶ月）分の日付を生成し、freqで頻度を’M’（月ごと）として指定しています。

7. 予測の実行:

1
forecast = model.predict(future_dates)

未来の日付に対して予測を実行し、forecastというDataFrameに予測結果を格納します。

8. 予測結果のグラフ化:

1
2
3
model.plot(forecast, xlabel='Date', ylabel='Sales')
plt.title('Restaurant Demand Forecast')
plt.show()

予測結果をグラフ化して表示します。
x軸には日付を、y軸には売上を表示します。
また、グラフのタイトルも設定されています。

このコードは、Prophetを使用して時系列データの売上予測を行い、その結果を可視化する一連の手順を示しています。

結果解説

グラフの内容を詳しく説明します。

1. データポイント（黒い点）:

グラフ上に表示される黒い点は、実際の売上データポイントを表しています。

これらの点は、元のデータセットから取得され、予測モデルの作成に使用されました。

2. 予測値（青い線）:

グラフ上に表示される青い線は、Prophetモデルによって予測された売上の値を表しています。
この線は、過去のデータからのトレンドや季節性を考慮して、将来の売上を予測したものです。

3. 不確実性範囲（青い領域）:

グラフ上に表示される青い領域は、予測値の不確実性範囲を表しています。
Prophetは、予測の信頼性を示すために、予測値の上下に不確実性範囲を示します。
この範囲は、予測の信頼性が高いほど狭くなります。

このグラフを通じて、過去のデータからのトレンドや季節性を考慮した予測値が表示されます。

また、不確実性範囲も示されるため、予測の信頼性を評価することができます。