AI能夠告訴你未來？用Weka實作多變項時間序列預測 / Time Series Forecasting with Weka

9月 26, 2017 Data Mining , Software/Weka 19 Comments Edit Copy Download 6722 Characters, 19 Images, 2 Embed Iframes

這是本學期我在政大圖檔所專題討論課程中介紹的內容，主題是「用Weka實作多變項時間序列預測」。傳統的時間序列分析(time series analysis)著重於以統計為主的ARIMA模型，分析過程著重於模型的選擇與判斷，一般僅以時間變項進行預測。Weka則是從資料探勘中迴歸(regression)的角度來實作時間序列預測(time series forecasting)，使用的預測演算法可以是線性迴歸(Linear Regression)、類神經網路預測(MultilayerPerceptron)、或支持向量機迴歸(SMOreg)，甚至可以加入疊加變項(overlay)，就能實作多變項的時間序列預測。

本文除了放上我在專題演講的投影片之外，也將使用Weka進行時間序列預測的做法整理出來，供大家一步一步操作、學習。

投影片 / Slide

• Google投影片 (PDF下載、Power Point格式下載)
• 以Power Point格式備份到其他網站：SlideShare、Google Drive、OneDrive、Mega、Box、MediaFire

環境配置 / Environment

本投影片全部採用Weka進行。Weka是免費的自由軟體，而且可以跨平臺運作。

• Weka下載與套件安裝
• timeseriesForecasting套件安裝：請參考這篇安裝套件的做法來安裝timeseriesForecasting套件。

練習資料 / Practice data sets

投影片中使用到了三個時間序列資料，你可以從以下連結下載：

• Part 3-1. 6月到7月→預測8月到館人數：CSV輸入資料  (Google試算表)
• Part 4-1. 6月到8月→預測9月到館人數：CSV輸入資料 (Google試算表)
• Part 4-2. 1月到8月→預測9月到館人數：CSV輸入資料 (Google試算表)
  

時間序列資料格式 / Time series data format

在研讀時間序列分析的介紹時，我發現許多程式對時間序列的資料格式都沒有比較統一的做法。因此我根據Weka在時間序列預測上能夠使用的功能，將資料分成四種欄位：時間欄位(date或timestamp)、略過資料(skip)、疊加資料(其他的名稱)、觀察值與預測目標(target)。

你可以參考這份Google試算表來看看格式的內容：readers_i1-8_p9

• 時間欄位：可以是日期，以「date」命名，格式是「yyyy-MM-dd」，例如今天是「2017-09-26」；也可以是時間，以「timestamp」命名，格式是「yyyy-MM-dd HH:mm:ss」，例如現在是「2017-09-26 20:42:05」。資料必須以日期由早到晚依序排列。
• 略過資料：以「skip」命名，如果這一天不要納入分析或預測，則設為「true」(大小寫皆可)，此時日期之外的其他欄位都不會納入分析；若這一天需要納入分析或預測，則設為「false」。如果每一天都要納入分析，那麼可以不加入此欄。
• 疊加資料：以除了「date」、「timestamp」、「skip」、「target」之外的任意名稱命名，例如我用「in_semster」來表示是否是在學期中。資料格式必須是類別變項(nominal)，也可以是「true」跟「false」這種二元變項，但是Weka在預測的時候會將之視為類別變項。
• 觀察值與預測目標：以「target」命名。資料格式必須是連續變項(numeric)。最後要預測的日期對應的「target」請寫入「?」，表示這是等待預測的欄位。

時間序列預測步驟 / Timeseries forecasting procedure

操作步驟還蠻多的，讓我們一步一步來看看怎麼做吧。

1. 準備CSV試算表資料 / Prepare CSV timeseries data set

請自行準備上述格式的時間序列資料，或是下載範例檔：

• Part 4-2. 1月到8月→預測9月到館人數：CSV輸入資料

2. 試算表轉換ARFF / Convert timeseries data set into ARFF format

(另開新視窗)

請在上面的轉換工具中上傳CSV試算表資料，透過網頁程式的轉換，取得以下四種資料：

• 下載訓練集資料：按下Train Data Set按鈕下載，你會得到「train_set-…」開頭的ARFF檔案。
• 複製向前預測步數：複製Number of time units to forecast欄位的數字。
• 下載略過資料：按下Skip List按鈕下載名為「skip_list-…」的TXT文字檔，或是在Skip list preview欄位中複製資料。
• 下載疊加資料：按Periodic按鈕下載，你會得到「periodics_set-…」為檔案名稱開頭的檔案。

3. 使用Weka / Open Weka and load data

開啟Weka的Explorer，在Preprocess頁籤中按下「Open file」載入剛剛下載的訓練集資料(以train_set-開頭的檔案)。

4. 時間序列預測設定：基本設定 / Forecast: Basic configuration

請切換到「Forecast」頁籤，進入基本設定「Basic configuration」頁籤，然後進行以下設定：

• Number of time units to forecast：輸入從上面得到的向前預測步數設定。
• Periodicity: 依照你的日期資料，選擇每天(Daily)或每小時(Hourly)。
• Skip list: 貼上略過資料的內容。
• Perform evaluation: 打勾，這樣才會顯示評估結果。

5. 時間序列預測設定：進階設定 / Forecast: Advanced configuration

進入到進階設定「Advanced configuration」頁籤之後，這邊有蠻多需要設定的地方，我們一個一個來看。

5-1. 預測演算法 / Base learner

從Base learner頁籤這裡可以設定預測演算法。這邊我介紹了三種演算法：

• 線性迴歸 LinearRegression：以統計的多元迴歸預測的預測演算法，是迴歸預測的基本做法。
• 類神經網路預測 (多層次感知機) MultilayerPerceptron：現今人工智慧、深度學習為基礎的多層次感知機。如果能夠仔細調教隱藏層的神經網路結構，理論上可以做到最佳預測。
• 支持向量機迴歸 SMOreg：支持向量機的迴歸版本，它使用核技法(kernel trick)將非線性呈現的資料轉換成容易區隔的分佈。支持向量機演算法的特色是計算速度快、預測成效也挺不錯的。

5-2. 載入疊加變項 / Load periodic attributes

來到Periodic attributes頁籤中，先打勾「Customize」選項，然後按「Load」載入前面下載的疊加變項。疊加變項的檔案名稱開頭會是「periodics_set-…」。

5-3. 繪製預測的建模過程 / Graph target at steps

在Output頁籤中，將「Graph target at steps」打勾即可。這樣Weka會顯示向前預測1步的圖形。

6. 預測結果 / Forecasting result

按下下方的「Start」之後，右下角的「Output/Visualization」就會顯示三個頁籤，包括「Output」(文字報表)、「Train pred. at steps」(訓練預測結果)以及「Train futre pred.」(預測未來)。個別敘述如下：

6-1. 文字報表 / Output

Output是以文字輸出完整報表，主要包括了：

預測結果數字：日期後面有「*」標示就是預測結果。

預測模型呈現：如果是線性迴歸則會以 y = a*x + b 這種公式呈現，我們可以分析各個變數前面的權重來分析那種變數最重要。不過其他預測演算法的模型不見得可以這樣直接解釋。

評估預測殘差值(MAE)：數字越小，表示預測的越準。但是數字太小，可能是表示過度擬合(overfitting)。預測殘差值可以用來比較不同預測結果之間的優劣，Weka提供7種評估指標，包括：

1. 絕對標準誤差 Mean absolute error (MAE): sum(abs(predicted - actual)) / N
2. 絕對平方誤差 Mean squared error (MSE): sum((predicted - actual)^2) / N
3. 開根平均平方誤差 Root mean squared error (RMSE): sqrt(sum((predicted - actual)^2) / N)
4. 平均絕對誤差百分比 Mean absolute percentage error (MAPE): sum(abs((predicted - actual) / actual)) / N
5. 方向精度 Direction accuracy (DAC): count(sign(actual_current - actual_previous) == sign(pred_current - pred_previous)) / N
6. 相對絕對誤差 Relative absolute error (RAE): sum(abs(predicted - actual)) / sum(abs(previous_target - actual))
7. 相對開方誤差 Root relative squared error (RRSE): sqrt(sum((predicted - actual)^2) / N) / sqrt(sum(previous_target - actual)^2) / N)

詳細請看Pentaho的說明。

6-2. 訓練資料預測結果 / Train prediction at steps

在訓練資料預測結果中可以看到時間序列的折線圖。紅色是真實的觀測值，藍色是Weka依照預測演算法預測的結果。如果藍色很貼近紅色，表示預測效果準確。但是完全跟紅色一致的話，就有可能是過度擬合的情況。過度擬合的模型只能適用於已知的資料，預測未知的未來成效不彰。

6-3. 訓練資料預測未來 / Train future prediction

最後的Train future pred.頁籤則可以看到預測未來的資料。靠近左邊的折線以方塊表示實際的觀測值，右邊以圓形表示的就是Weka計算後得到的預測值。上圖的例子中，因為本來的預測模型就不是很好，而Weka使用這個錯誤的預測結果進行後面的預測，在錯誤累增(errors propagate)效果的影響下，預測值就以指數暴增。

就目前我的觀察來看，我們可以從這張圖簡單地評估這個預測結果是否合宜：

• 預測值如果以指數成長或遞減，那就是錯誤累增效應，這應該是錯誤的預測結果。
• 預測值跟過去的觀測值相比，如果出現了異常高或異常低的情況，那也很可能是錯誤的預測結果。

當然，預測結果的好或不好，實際上還是要以資料本身來決定。上面的說法僅供參考而已。

7. 改善預測 / Improve prediction

我歸納了三種常用的改善預測的方法：

1. 更換預測演算法：預設演算法是線性迴歸(LinearRegression)，你可以試試看類神經網路預測(MultilayerPerceptron)或支持向量機迴歸(SMOreg)等其他預測演算法，通常預測結果會大幅改變。
2. 增加更多觀察值：以更多的觀察值來預測未來。但若觀察值本身的資料就相當不穩定，沒有呈現一致的趨勢性、週期性的話，那很可能會讓預測結果更差。
3. 增加疊加變項(overlay data)：將其他可能影響的因素以疊加變項的形式加入預測。例如「是否開學」會大幅影響「圖書館入館人次」，這個變項並不能單純從時間看到，所以就需要視為疊加變項一併納入預測。但因為是否開學也大致上以一年一年為週期，若輸入資料有多年的觀察值，那Weka在拆解時間序列特徵的時候也會自動發掘這個隱含的變項。

請先以上面的三種方法來試著改善預測結果看看，或是繼續深入瞭解Weka時間序列預測的其他功能來做調整吧。

結語 / Conclusion

「這個預測值準嗎？」

專題演講之後，大家最常問的問題就是這個。老實說，我只能說有一定程度的準確性，但不能完整保證。畢竟我不是天上的神，Weka也只是個工具，預測數值高低這種做法通常不可能完美精準。

儘管如此，比起要你直接茫然地面對未知的未來，透過上述做法，利用Weka快速產生一個預測值，這樣就可以讓你在決策的時候獲得更多判斷的依據。只要有幫助，這就是一個好方法。

限制 / Limitation

我花了很多時間在整理使用Weka進行時間序列預測的操作，但是這個做法並不完美。這是因為Weka原本提供的疊加變項功能(overlay data)不能用於預測未來，所以我才改用週期變項(periodic attributes)來作為疊加變項使用。兩者皆會被用於預測結果，但是週期變項只能用類別資料類型，而疊加變項則是使用連續資料類型。大部分財經或社會統計預測都用後者，不過若疊加變項是事件、行為等類型資料，那像這篇這樣用週期變項則是比較合適的。

時間序列的預測或分析 / Difference between Time Series Forecast and Time Series Analysis

最後要跟大家說明的是時間序列預測跟時間序列分析的差別。大部分在大學開設的課程都是時間序列分析，是以ARIMA模型為主的教學內容，大多會使用SAS、SPSS Trend，或是R來進行建模。我之前花了不少時間在研讀時間序列分析的內容，不得不說這真的是一塊入門門檻相當高的領域。儘管基本的自迴歸、移動平均、差分等概念不難理解，但是要評斷使用何種模型時需要計算多種指標，計算過程不但複雜，而且指標的解讀也需要有相當的先備知識。

「為什麼不能直接產生個模型，簡單地告訴我預測值就好呢？」

後來我在王者歸來:WEKA機器學習與大數據聖經這本書中發現到Weka竟然採用了機器學習的角度來實作時間序列預測，而且康奈爾大學心理系教授Darlington也認為機器學習用來連續變項的迴歸方法會比傳統的ARIMA來的好，理由如下：

• 迴歸比ARIMA更有彈性、更強力、而且可以產生更好的模型。這點已經有許多研究證實。
• 迴歸比ARIMA更容易理解，至少對那些已經熟悉迴歸的使用者來說很容易懂。
• 迴歸使用「有限」(closed)計算方法，基本上已經比較過所有可行的結果。而ARIMA以及其他許多方法使用迭代演算法(iterative algorihms)，常常難以得到好的解決方案。Darlington教授常常看到ARIMA算到卡關，但用迴歸就能輕鬆克服的資料。

經過一番研究，Weka用來預測時間序列的方法上的確是很好理解。但可惜的是，原本的做法並不好使用，而且對很多人來說也很難立即搞懂原理。因此我改良了Weka Spreadsheet to ARFF工具，並在投影片中將時間序列預測的基本原理作了一番介紹。這個做法並不是正統時間序列分析的教學內容，而是我用自己的角度來介紹時間序列預測，所以對接受時間序列分析課程訓練的人來說，應該會覺得非常奇怪吧。

不管怎樣，就結果來看，這方法的確簡單又可以使用。Weka不僅可以作基本的分類、分群、關聯式規則，還能作文本自動評分、圖片辨識，以及這篇的時間序列預測。Weka真的很強大，感恩Weka！讚歎Weka！