JP7393244B2 - 時系列データ予測装置及び時系列データ予測方法 - Google Patents

Description

本開示は、時系列データを予測する技術に関する。

サーバ及びストレージ装置などの種々の装置を含む情報システムでは、メトリックデータと呼ばれる種々の時系列データが計測されており、メトリックデータの将来の値を適切に予測することは、キャパシティプランニングなどの管理業務において有効である。

メトリックデータの予測については、以下の３つの要件を考慮することが重要となる。

第１の要件は、メトリックデータが月末付近の特定の曜日のような非等間隔のタイミングで大きく変動することがある点である。本明細書では、このようなメトリックデータに非等間隔で発生する大きな変動を「非等間隔イベント」と呼ぶ。
第２の要件は、メトリックデータに過去に計測されていない値が将来発生することがある点である。一般的に、過去に計測されていない値を予測することは「外挿」と呼ばれる。
第３の要件は、月替わりなどの特定のタイミングの前後でメトリックデータの相対的な挙動は継続するが、絶対的な値の範囲が大きくシフトすることがある点である。本明細書では、このようなシフトを「ベースラインシフト」と呼ぶ。

また、メトリックデータを予測する方法として、過去のメトリックデータ（例えば、過去数ヶ月分のメトリックデータ）を分析して、将来のメトリックデータ（例えば、数ヶ月先のメトリックデータ）を予測する方法が知られている。メトリックデータは、通常、多数あるため、このような方法を人手で行うことは困難である。このため、メトリックデータの予測には、機械学習などの手法が用いられる。

「非等間隔イベント」を考慮してメトリックデータを予測するための機械学習手法としては、日付や曜日などに応じた挙動を条件分岐として扱うことが可能なツリー系（例えば、決定木系及び回帰木系など）の手法が有力である。ツリー系の手法には、ランダムフォレストなどが含まれる。

しかしながら、ツリー系の手法では、「外挿」及び「ベースラインシフト」に対応することが難しい。

これに対して特許文献１には、ツリー系の決定木学習アルゴリズムを用いて、学習データ中の直近の傾向変化に対応するために、過去の長期間のデータを用いて特徴量を選択した後で、直近のデータを用いて、特徴量を絞り込む技術が開示されている。

特開２０１７―１２３０８８号公報

特許文献１に記載の技術では、最終的な予測モデルの作成（学習）に使用される学習データは、直近のデータのみであると考えられるため、その直後に発生する「ベースラインシフト」に対応することはできるかもしれない。しかしながら、月次で発生するような「非等間隔イベント」のような長期的な挙動を学習して予測することは想定されていない。また、「外挿」についても考慮されていない。

本発明の目的は、時系列データに対して「非等間隔イベント」、「外挿」及び「ベースラインシフト」に対応した予測が可能な時系列データ予測装置及び時系列データ予測方法を提供することにある。

本開示の一態様に従う時系列データ予測装置は、過去の一定期間における時系列データの値を示す実測値データに基づいて、前記一定期間を含む対象期間における前記時系列データの値を予測したイベント予測データを算出するイベント算出部と、前記イベント予測データの各値を、同一の期間における前記実測値データと前記イベント予測データとの差分に応じてシフトさせたデータを前記時系列データの予測結果である予測結果データとして算出する補正部と、を有する。

本発明によれば、時系列データに対して「非等間隔イベント」、「外挿」及び「ベースラインシフト」に対応した予測が可能になる。

本開示の一実施形態の情報システムの全体構成を示す図である。 管理サーバのハードウェア構成の一例を示す図である。 メトリックデータの特徴について説明するための図である。 管理サーバが行う処理を説明するための図である。 管理サーバのより詳細な構成を示す図である。 メトリックＤＢに格納されているデータのデータ構造の一例を示す図である。 メトリックデータのデータ構造の一例を示す図である。 経過時間情報のデータ構造の一例を示す図である。 時間特徴量のデータ構造の一例を示す図である。 将来予測期間のデータ構造の一例を示す図である。 トレンド予測データのデータ構造の一例を示す図である。 将来予測部の動作の一例を説明するためのフローチャートである。 分析結果表示部が表示する表示情報の一例を示す図である。

以下、本開示の実施形態について図面を参照して説明する。

図１は、本開示の一実施形態の情報システムの全体構成を示す図である。図１に示す情報システムは、管理サーバ１０１、データセンタ１０２、ネットワーク１０３、メトリックＤＢ（Database：データベース）１０４及びコンソール１０５を含む。

管理サーバ１０１は、データセンタ１０２に設置された管理対象の機器から取得される時系列データであるメトリックデータの将来の挙動を予測する時系列データ予測装置である。メトリックデータの種類は限定されないが、例えば、情報システムのリソースに関するセンシングデータなどである。管理サーバ１０１は、インタフェース１１１、データ取得部１１２、将来予測部１１３及び分析結果表示部１１４を含む。管理サーバ１０１の各構成な説明は、図５において後述する。

データセンタ１０２は、管理対象の機器が設置される場所である。本実施形態では、管理対象の機器として、サーバ機器１２１、ネットワーク機器１２２及びストレージ機器１２３を含む。サーバ機器１２１、ネットワーク機器１２２及びストレージ機器１２３は、それぞれ複数あってもよい。また、これらの機器は、管理対象の機器の一例であって、これらに限定されるものではない。

ネットワーク１０３は、管理サーバ１０１、データセンタ１０２、メトリックＤＢ１０４及びコンソール１０５などを互いに通信可能にさせる通信ネットワークである。

メトリックＤＢ１０４は、管理対象の機器に関するメトリックデータを保存及び管理する格納装置である。

コンソール１０５は、情報システムの管理者が使用する機器であり、管理者から種々の情報を受け付けたり、管理者に対して種々の情報を通知（例えば、表示）したりする入出力装置である。

なお、図１においては、管理サーバ１０１、メトリックＤＢ１０４及びコンソール１０５は、データセンタ１０２の外部に配置されているが、データセンタ１０２の内部に配置されてもよい。

図２は、管理サーバ１０１のハードウェア構成の一例を示す図である。

図２において、管理サーバ１０１は、例えば、一般的な計算機を用いて実現することができる。ここでは、管理サーバ１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２０１、メモリ２０２、補助記憶装置２０３、通信インタフェース２０４、メディアインタフェース２０５及び入出力装置２０６を含む。

補助記憶装置２０３は、書き込み及び読み出しが可能にデータを記録する装置であり、ＣＰＵ２０１の動作を規定するプログラムなどを記憶する。通信インタフェース２０４は、ネットワーク１０３を介してコンソール１０５などの外部装置と通信する。メディアインタフェース２０５は、外部記録媒体２０７に対してデータの書き込み及び読み出しを行う。入出力装置２０６は、管理サーバ１０１を操作するコンソール１０５に接続される。

ＣＰＵ２０１は、管理サーバ１０１の動作を規定するプログラムを補助記憶装置２０３からメモリ２０２に読み出し、メモリ２０２を利用してプログラムを実行することで、図１に示したインタフェース１１１、データ取得部１１２、将来予測部１１３及び分析結果表示部１１４を実現する。なお、プログラムは、補助記憶装置２０３に予め記憶されていてもよいし、必要なときに通信インタフェース２０４を介して外部装置から取得してもよいし、メディアインタフェース２０５を介して外部記録媒体２０７から取得してもよい。外部記録媒体２０７としては、例えば、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリカード及びＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）などが挙げられる。

なお、管理サーバ１０１の各構成及び機能等は、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。

図３は、メトリックデータの特徴について説明するための図である。

メトリックデータは、第１の特徴として、月末付近の特定の曜日のような非等間隔のタイミングで大きく変動する「非等間隔イベント」が発生することがある。また、メトリックデータは、第２の特徴として、過去に計測されていない値が出現する「外挿」が発生することがある。なお、図３では、７月における「外挿」、つまり６月までに計測されていない値を示している。また、メトリックデータは、月替わりなどの特定のタイミングの前後で相対的な挙動は継続するが、絶対的な値の範囲が大きくシフトする「ベースラインシフト」が発生することがある。

図４は、管理サーバ１０１が行う処理の概要を説明するための図である。

先ず、図４（ａ）に示すように管理サーバ１０１は、過去のメトリックデータである学習データに対して機械学習を行い、メトリックデータの挙動の傾向であるトレンドを学習してトレンド予測モデルを生成する。管理サーバ１０１は、そのトレンド予測モデルを用いてトレンドを示すトレンドデータを予測してトレンド予測データとして出力する。トレンドデータの予測であるトレンド予測は、将来の期間だけでなく、学習データの期間（過去の期間）に対しても行う。なお、過去の期間におけるトレンド予測データが学習データに対して正確に一致するする必要はない。

続いて、図４（ｂ）に示すように管理サーバ１０１は、学習データからトレンドデータを差し引いて、トレンドデータと学習データとの相対的な値を示す残差データを生成する。残差データは、学習データから「外挿」に関する部分が除去されているため、ランダムフォレストなどのツリー系の機械学習手法により扱いやすいデータとなる。

さらに、図４（ｃ）に示すように管理サーバ１０１は、残差データに対して機械学習を行い、トレンドを除いたメトリックデータの挙動であるイベントを学習してイベント予測モデルを生成する。管理サーバ１０１は、そのイベント予測モデルを用いてイベントを示すイベントデータを予測してイベント予測データとして出力する。イベントデータの予測であるイベント予測は、将来の期間だけでなく、学習データの期間（過去の期間）に対しても行う。

そして、図４（ｄ）に示すように管理サーバ１０１は、イベント予測データに対してトレンド予測データを加算することで、トレンドとイベントの両方を考慮した複合予測データを生成する。

また、図４（ｅ）に示すように管理サーバ１０１は、学習データの末尾期間における学習データと複合予測データと差分に基づいて、ベースラインシフトが発生したか否かを判定する。このとき、差分が大きい場合、ベースラインシフトが発生したこととなる。

ベースラインシフトが発生した場合、図４（ｆ）に示すように管理サーバ１０１は、将来の期間の初期期間における複合予測データが過去の期間の末尾期間と近くなるように、将来の期間の複合予測測データをシフトさせて予測データを生成する。

図５は、管理サーバ１０１のより詳細な構成を示す図である。図５に示す管理サーバ１０１は、図１に示したようにインタフェース１１１、データ取得部１１２、将来予測部１１３及び分析結果表示部１１４を含む。

インタフェース１１１は、メトリックデータの将来の値を予測する予測処理の実行を要求する処理リクエストを外部（例えば、コンソール１０５）から受け付ける。処理リクエストは、引数として、予測対象のメトリックデータの種別であるメトリック種別と、メトリックデータの値を予測する将来の期間である将来予測期間Ｄ０２とを含む。インタフェース１１１は、処理リクエストに含まれるメトリック種別をデータ取得部１１２に出力し、処理リクエストに含まれる将来予測期間Ｄ０２を将来予測部１１３に出力する。

データ取得部１１２は、インタフェース１１１からのメトリック種別に対応する過去のメトリックデータを図１のメトリックＤＢ１０４から取得して、メトリックデータＤ０１として将来予測部１１３に出力する。

将来予測部１１３は、インタフェース１１１からの将来予測期間Ｄ０２と、データ取得部１１２からのメトリックデータD０１とを受け付ける。将来予測部１１３は、メトリックデータD０１に基づいて、将来予測期間Ｄ０２におけるメトリックデータの予測結果である将来予測データD１２を生成して分析結果表示部１１４に出力する。

分析結果表示部１１４は、将来予測部１１３からの将来予測データD１２を含む表示情報であるＧＵＩ（Graphical User Interface）を表示する。

以下、将来予測部１１３についてより詳細に説明する。将来予測部１１３は、具体的には、データ分割部４０１、トレンド・イベント予測部４０２及び補正部４０３を含む。

データ分割部４０１は、データ取得部１１２からのメトリックデータＤ０１から、過去の一定期間におけるメトリックデータＤ０１の値を示す実測値データとして、学習データＤ０３及び検証データＤ０４を抽出して出力する。学習データＤ０３は、例えば、メトリックデータＤ０１のうち、１番目の月からＴ－１番目の月までのデータである。検証データＤ０４は、例えば、メトリックデータＤ０１のうち、Ｔ番目の月のデータである。この場合、１番目の月の最初からＴ番目の月の最後までの期間が過去の一定期間となる。

トレンド・イベント予測部４０２は、インタフェース１１１からの将来予測期間Ｄ０２と、データ分割部４０１からの学習データＤ０３及び検証データＤ０４とを受け付ける。トレンド・イベント予測部４０２は、将来予測期間Ｄ０２、学習データＤ０３及び検証データＤ０４に基づいて、対象期間における時系列データの傾向を示すトレンド予測データＤ０６と、対象期間における時系列データの値を予測したイベント予測データＤ０９とを算出して出力する。対象期間は、一定期間（学習データＤ０３の期間及び検証データＤ０４の期間）を含む期間であり、より具体的には、一定期間に将来予測期間Ｄ０２を合わせた期間である。

トレンド・イベント予測部４０２は、具体的には、経過時間抽出部４１１と、トレンド回帰部４１２、トレンド除去部４１３、時間特徴量抽出部４１４及びイベント回帰部４１５を含む。

経過時間抽出部４１１は、将来予測期間Ｄ０２、学習データＤ０３及び検証データＤ０４に基づいて、経過時間を示す経過時間情報Ｄ０５を生成して出力する。経過時間情報Ｄ０５は、対象期間の最初の時点（学習データの期間の最初の期間）から対象期間の最後の時点（将来予測期間Ｄ０２の最後の時点）までの経過時間を示す情報であればよい。

トレンド回帰部４１２は、将来予測期間Ｄ０２、学習データＤ０３、検証データＤ０４及び経過時間情報Ｄ０５に基づいて、対象期間におけるメトリックデータの傾向（トレンド）を示すトレンドデータを予測（算出）してトレンド予測データＤ０６として出力するトレンド算出部である。

トレンド除去部４１３は、学習データＤ０３及び検証データＤ０４のトレンド予測データＤ０６に対する相対的な値を示す相対値データである残差データＤ０７を生成して出力する。

時間特徴量抽出部４１４は、将来予測期間Ｄ０２、学習データＤ０３及び検証データＤ０４に基づいて、時間特徴量Ｄ０８を生成して出力する。時間特徴量Ｄ０８は、対象期間の最初の時点から対象期間の最後の時点まで時間に関する値であり、例えば、月、曜日及び日付などを含むカレンダー情報である。なお、カレンダー情報は、休日及び営業日などの情報を含んでもよい。

イベント回帰部４１５は、残差データＤ０７及び時間特徴量Ｄ０８に基づいて、対象期間におけるメトリックデータの値を予測したイベントデータを予測（算出）してイベント予測データＤ０９として出力するイベント算出部である。本実施形態では、残差データＤ０７を用いているため、イベント予測データＤ０９は、メトリックデータのトレンド成分（トレンド予測データＤ０６の影響）を除いた値を示す。

補正部４０３は、トレンド・イベント予測部４０２からのイベント予測データＤ０９の各値を実測値データ（学習データＤ０３及び検証データＤ０４）とイベント予測データＤ０９との差分である基準差分に応じてシフトさせた将来予測データＤ１２を、メトリックデータの予測結果データとして算出して出力する。基準差分は、同一の期間における実測値データとイベント予測データＤ０９との差分である。

本実施形態では、補正部４０３は、データ分割部４０１からの検証データＤ０４と、トレンド・イベント予測部４０２からのトレンド予測データＤ０６及びイベント予測データＤ０９とを受け付ける。また、補正部４０３は、トレンド復元部４２１、ベースラインシフト判定部４２２及び予測補正部４２３を含む。

トレンド復元部４２１は、トレンド予測データＤ０６を基準差分として、イベント予測データＤ０９の各値をシフトさせたデータを複合予測データＤ１０として生成して出力する。具体的には、トレンド復元部４２１は、トレンド予測データＤ０６とイベント予測データＤ０９とを合算して複合予測データＤ１０として生成する。

ベースラインシフト判定部４２２は、検証データＤ０４及び複合予測データＤ１０を用いて、ベースラインシフトが発生したか否かを判定する。具体的には、検証データＤ０４の期間の末尾を含む末尾期間における検証データＤ０４と複合予測データＤ１０との差分を基準差分として求め、その基準差分が一定値以上あるか否かを判定する。ベースラインシフト判定部４２２は、基準差分が一定値以上の場合、ベースラインシフトが発生したと判定し、基準差分が一定値未満の場合、ベースラインシフトが発生していないと判定する。

ベースラインシフト判定部４２２は、複合予測データＤ１０を出力し、さらに、ベースラインシフトが発生した場合には、末尾期間における検証データＤ０４と複合予測データＤ１０との差分である基準差分に応じた補正量Ｄ１１を出力する。補正量Ｄ１１は、例えば、基準差分と同じ値でもよいし、基準差分に所定の演算を行った値でもよい。

予測補正部４２３は、複合予測データＤ１０及び補正量Ｄ１１に応じた将来予測データＤ１２を算出して出力する。例えば、予測補正部４２３は、ベースラインシフトが発生した場合、複合予測データＤ１０の各値を補正量Ｄ１１分シフトしたデータを将来予測データＤ１２として出力し、ベースラインシフトが発生していない場合、複合予測データＤ１０をそのまま将来予測データＤ１２として出力する。

図６は、メトリックＤＢ１０４に格納されているデータの一例を示す図である。メトリックＤＢ１０４に格納されているデータは、フィールド５０１と、フィールド５０２ａ～５０２ｃとを含む。フィールド５０１は、メトリックデータが計測（取得）された時刻を格納する。フィールド５０２ａ～５０２ｃは、それぞれ異なる種別のメトリックデータの値を格納する。なお、本実施形態では、時刻の単位を、年月日時分秒としているが、この例に限らない。

図７は、メトリックデータＤ０１のデータ構造の一例を示す図である。メトリックデータＤ０１は、フィールド５１１及び５１２を含む。フィールド５１１は、メトリックデータＤ０１が計測された時刻を格納する。フィールド５１２は、メトリックデータＤ０１の値を格納する。なお、学習データＤ０３及び検証データＤ０４のデータ構造は、メトリックデータＤ０１のデータ構造と同じであるため、その説明は省略する。

図８は、経過時間情報Ｄ０５のデータ構造の一例を示す図である。経過時間情報Ｄ０５は、フィールド５２１を含む。フィールド５２１は、経過時間を格納する。図８の例では、経過時間として、エポックタイムが用いられているが、経過時間はエポックタイムに限定されない。

図９は、時間特徴量Ｄ０８のデータ構造の一例を示す図である。時間特徴量Ｄ０８は、フィールド５３１～５３３を含む。フィールド５３１は、曜日を示す曜日情報を格納する。図８の例では、曜日情報は、日曜日から土曜日までの各曜日を０～６の数字で示している。フィールド５３１は、週を示す週情報を格納する。図８の例では、週情報は、所定の週を１とした通し番号で各週を示している。フィールド５３３は、時間を示す時間情報を格納する。ここで、時間とは、時（ｈ）を単位とした値である。時間特徴量Ｄ０８は、分及び秒を示す情報などを格納するフィールドをさらに含んでもよい。

図１０は、将来予測期間Ｄ０２のデータ構造の一例を示す図である。将来予測期間Ｄ０２は、フィールド５４１を含む。フィールド５４１は、メトリックデータの値を予測する将来の予測期間内の時刻を格納する。

図１１は、イベント予測データＤ０９のデータ構造の一例を示す図である。イベント予測データＤ０９は、フィールド５５１～５５４を含む。フィールド５５１は、イベントデータを予測した時刻を格納する。フィールド５５２は、イベントデータの予測値の代表値を格納する。フィールド５５３は、イベントデータの予測値の下限値を格納する。フィールド５５４は、イベントデータの予測値の上限値を格納する。なお、残差データＤ０７、複合予測データＤ１０及び将来予測データＤ１２のデータ構造は、イベント予測データＤ０９のデータ構造と同じであるため、その説明は省略する。また、トレンド予測データＤ０６のデータ構造は、例えば、イベント予測データＤ０９のデータ構造から上限値及び下限値を除いた構造である。

図１２は、将来予測部１１３の動作の一例を説明するためのフローチャートである。なお、図１２のステップＳ６０１は、データ分割部４０１が行う処理であり、ステップＳ６０２～ステップＳ６０６は、トレンド・イベント予測部４０２が行う処理であり、ステップＳ６０７～ステップＳ６１０は、補正部４０３が行う処理である。

ステップＳ６０１では、データ分割部４０１は、メトリックデータＤ０１から、学習データＤ０３及び検証データＤ０４を抽出して出力する。学習データＤ０３は、例えば、メトリックデータＤ０１のうち、最初の月からＴ－１番目の月までのデータである。検証データＤ０４は、例えば、メトリックデータＤ０１のうち、Ｔ番目の月のデータである。

ステップＳ６０２では、経過時間抽出部４１１は、将来予測期間Ｄ０２、学習データＤ０３及び検証データＤ０４に基づいて、経過時間情報Ｄ０５を生成して出力する。ここでは、将来予測期間Ｄ０２はＴ＋１番目の月を示すものとする。

ステップＳ６０３では、トレンド回帰部４１２は、学習データＤ０３及び検証データＤ０４に基づいて、経過時間情報Ｄ０５を説明変数、トレンドデータの値を目的変数としたトレンド予測モデルを生成する。トレンド回帰部４１２は、トレンド予測モデルを用いて、学習データＤ０３の期間及び検証データＤ０４の期間と将来予測期間Ｄ０２とを合わせた対象期間におけるメトリックデータのトレンドを示すトレンド予測データを算出して出力する。トレンド予測モデルは、例えば、線形回帰モデルである。

ステップＳ６０４では、トレンド除去部４１３は、実測値データ（学習データＤ０３及び検証データＤ０４）からトレンド予測データＤ０６を差し引いて残差データＤ０７を生成して出力する。具体的には、トレンド除去部４１３は、同一時刻ごとに、実測値データの値からトレンド予測データＤ０６の値を差し引いて残差データＤ０７を生成する。

ステップＳ６０５では、時間特徴量抽出部４１４は、将来予測期間Ｄ０２、学習データＤ０３及び検証データＤ０４に基づいて、時間特徴量Ｄ０８を生成して出力する。

ステップＳ６０６では、イベント回帰部４１５は、残差データＤ０７に基づいて、時間特徴量Ｄ０８を説明変数、メトリックデータの値を目的変数としたイベント予測モデルを生成する。イベント回帰部４１５は、イベント予測モデルを用いて、対象期間におけるメトリックデータを予測してイベント予測データとして出力する。

イベント予測モデルは、例えば、決定木モデルを含む。本実施形態では、イベント予測モデルは、決定木モデルの一種であるランダムフォレストモデルであるとする。この場合、イベント予測モデルは、イベント予測データの候補となる候補データをそれぞれ算出する、互いに異なる複数の決定木を含む。イベント回帰部４１５は、各決定木により算出された複数の候補データに基づいて、イベント予測データＤ０９の各時刻の値として、代表値、下限値及び上限値を算出する。代表値は、各候補データの値の平均値又は中央値などである。下限値は、各候補データの値の５パーセンタイル値などである。上限値は、各候補データの値の９５パーセンタイル値などである。

ステップＳ６０７では、トレンド復元部４２１は、トレンド予測データＤ０６とイベント予測データＤ０９を合算して複合予測データＤ１０として出力する。

ステップＳ６０８では、ベースラインシフト判定部４２２は、検証データＤ０４の末尾期間の値と、その末尾期間と同じ期間における複合予測データＤ１０の値とを比較して、ベースラインシフトが発生したか否かを判定する。

具体的には、ベースラインシフト判定部４２２は、検証データＤ０４の末尾期間の値と、その末尾期間と同じ期間における複合予測データＤ１０の値との差分の絶対値を基準差分として求め、その基準差分が一定値以上か否かを判定する。この場合、ベースラインシフト判定部４２２は、基準差分が一定値以上の場合、ベースラインシフトが発生したと判定し、基準差分が一定値未満の場合、ベースラインシフトが発生していないと判定する。なお、検証データＤ０４の末尾期間は、例えば、検証データＤ０４の末尾の時刻のみでもよいし、末尾の時刻を含む複数の時刻を含んでもよい。末尾期間が複数の時刻を含む場合、基準差分は、末尾期間に含まれる各時刻の値の差分の平均値などである。

ベースラインシフトが発生している場合、ステップＳ６０９の処理が実行され、ベースラインシフトが発生していない場合、ステップＳ６１０の処理が実行される。

ステップＳ６０９では、ベースラインシフト判定部４２２は、基準差分に応じた補正量Ｄ１１を算出し、複合予測データＤ１０及び補正量Ｄ１１を出力する。予測補正部４２３は、ベースラインシフト判定部４２２からの複合予測データＤ１０の各値を補正量Ｄ１１分シフトしたデータを将来予測データＤ１２として生成して分析結果表示部１１４に出力し、処理を終了する。

一方、ステップＳ６１０では、ベースラインシフト判定部４２２は、複合予測データＤ１０を出力する。予測補正部４２３は、ベースラインシフト判定部４２２からの複合予測データＤ１０を将来予測データＤ１２として分析結果表示部１１４に出力し、処理を終了する。

以上説明した動作は、単なる一例であって、これに限るものではない。変形例として、例えば、将来予測部１１３は、学習データＤ０４及び検証データＤ０５の期間をずらしながら複合予測データＤ１０を繰り返し算出してもよい。

例えば、ステップＳ６０１において、データ分割部４０１は、メトリックデータＤ０１のうち、最初の月からＳ－１番目の月までのデータを学習データＤ０３とし、メトリックデータＤ０１のうち、Ｓ番目の月のデータを検証データＤ０４とする。なお、将来予測期間Ｄ０２はＴ＋１番目の月とし、ＳはＴ以下の値であるとする。

そして、ステップＳ６０８が終了すると、ベースラインシフト判定部４２２は、検証データＤ０４の期間（Ｓ番目の月）が最終期間に到達しているか否かを判定する。最終期間は、予め定められており、例えば、将来予測期間Ｄ０２の１つ前の月（Ｔ番目の月）である。

検証データＤ０４の期間（Ｓ番目の月）が最終期間に到達していない場合、学習データＤ０３及び検証データＤ０４の期間をずらして、ステップＳ６０１の処理に戻る。例えば、上記のＳに１を加えてステップＳ６０１の処理に戻る。このとき、ステップＳ６０８でベースラインシフトが発生していると判定された場合、トレンド回帰部４１２は、トレンドデータの予測に使用する経過時間の期間を変更するなどして別の手法によるトレンド予測モデルの生成を行う。

検証データＤ０４の期間が最終期間に到達した場合、直前のステップＳ６０８でベースラインシフトが発生していると判定された場合、ステップＳ６０９の処理に進み、直前のステップＳ６０８でベースラインシフトが発生していないと判定された場合、ステップＳ６１０の処理に進む。

なお、上記の変形例を適用した場合に追加される情報の流れを図５の点線で示している。

図１３は、分析結果表示部１１４が表示するＧＵＩ（Graphical User Interface）の一例を示す。

図１３に示すＧＵＩ７００は、将来予測データＤ１２を表示する表示領域７０１を含む。表示領域には、将来予測データＤ１２として、インタフェース１１１が受け付けた処理リクエストにて指定されたメトリック種別のメトリックデータ（図７では、「メトリック１」）の過去の値を示す実測値７０２データと、将来予測期間Ｄ０２におけるメトリックデータの予測値である予測データ７０３とが表示されている。予測データ７０３は、代表値７０３ａだけでなく、下限値から上限値までの範囲７０３ｂを示している。

以上説明した実施形態では、トレンド予測モデルである線形回帰モデルと、イベント予測モデルである非線形回帰モデル（具体的には、ランダムフォレストモデル）とを組み合わせている。非線形回帰モデルとしては、ニューラルネットワークを用いたものでもよい。例えば、イベント回帰部４１５は、Ｎ個のニューラルネットワークのそれぞれに対して学習データＤ０３を適用して、Ｎ個のイベント予測データを算出し、それらのＮ個のイベント予測データから検証データＤ０４に対する予測精度が高いＫ個のニューラルネットワークを抽出する。イベント回帰部４１５は、検証データＤ０４の期間に対して、Ｋ個のニューラルネットワークのそれぞれの値を説明変数、検証データＤ０４の値を目的変数として、イベント予測データを算出する。

以上説明したように本実施形態によれば、イベント回帰部４１５は、過去の一定期間におけるメトリックデータの値を示す実測値データ（学習データＤ０３及び検証データＤ０４）に基づいて、一定期間を含む対象期間におけるメトリックデータの値を予測したイベント予測データＤ０９を算出する。補正部４０３は、イベント予測データＤ０９の各値を、同一の期間における実測値データとイベント予測データＤ０９との差分である基準差分に応じてシフトさせたデータを時系列データの予測結果である予測結果データとして算出する。このため、イベント予測データＤ０９の各値が実測値データとイベント予測データＤ０９との差分に応じてシフトされるため、「外挿」及び「ベースラインシフト」が発生した場合でも、メトリックデータを適切に予測することが可能になる。

また、本実施形態では、トレンド回帰部４１２は、実測値データに基づいて、対象期間におけるメトリックデータの傾向を示すトレンド予測データＤ０６を算出する。トレンド除去部４１３は、実測値データのトレンド予測データに対する相対的な値を示す相対値データである残差データＤ０７を算出する。イベント回帰部４１５は、残差データＤ０７に基づいて、イベント予測データＤ０９を算出する。補正部４０３は、トレンド予測データＤ０６を基準差分として、イベント予測データＤ０９の各値をシフトさせる。このため、「外挿」が発生した場合にメトリックデータをより適切に予測することが可能になる。

また、本実施形態では、トレンド回帰部４１２は、実測値データに基づいて、経過時間を説明変数、メトリックデータの値を目的変数としたトレンド予測モデルを生成し、そのトレンド予測モデルを用いて、トレンド予測データＤ０９を算出する。特に、トレンド予測モデルは、線形回帰モデルである。この場合、対象期間におけるメトリックデータの傾向をより適切に予測することが可能になる。

また、本実施形態では、イベント回帰部４１５は、残差データＤ０７に基づいて、カレンダー情報を説明変数、メトリックデータの値を目的変数としたイベント予測モデルを生成し、そのイベント予測モデルを用いて、イベント予測データＤ０９を算出する。特に、イベント予測モデルは、決定木モデルを含む。この場合、メトリックデータのイベント成分をより適切に予測することが可能になる。

また、本実施形態では、決定木モデルは、イベント予測データの候補となる候補データをそれぞれ算出する複数の決定木を含み、各候補データに基づいて、イベント予測データの値として、下限値、代表値及び上限値が算出される。この場合、メトリックデータの予測範囲を示すことが可能になる。

また、本実施形態では、補正部４０３は、検証データＤ０５の末尾期間における検証データＤ０５と複合予測データＤ１０との差分が一定値以上ある場合、イベント予測データの値を当該差分に応じてシフトさせる。この場合、「ベースラインシフト」が発生した場合にメトリックデータをより適切に予測することが可能になる。

イベント回帰部４１５は、一定期間をずらしながら前記イベント予測データを繰り返し算出する。トレンド回帰部は、基準差分が一定値以上あると判定されると、トレンド予測データの算出方法を変更する。この場合、対象期間におけるメトリックデータの傾向をより適切に予測することが可能になる。

上述した本開示の実施形態は、本開示の説明のための例示であり、本開示の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本開示の範囲を逸脱することなしに、他の様々な態様で本開示を実施することができる。

１０１：管理サーバ、１０２：データセンタ、１０３：ネットワーク、１０４：メトリックＤＢ、１０５：コンソール、１１１：インタフェース、１１２：データ取得部、１１３：将来予測部、１１４：分析結果表示部、１２１：サーバ機器、１２２：ネットワーク機器、１２３：ストレージ機器、４０１：データ分割部、４０２：トレンド・イベント予測部、４０３：補正部、４１１：経過時間抽出部、４１２：トレンド回帰部、４１３：トレンド除去部、４１４：時間特徴量抽出部、４１５：イベント回帰部、４２１：トレンド復元部、４２２：ベースラインシフト判定部、４２３：予測補正部

Claims (9)

1. 過去の一定期間における時系列データの値を示す実測値データに基づいて、前記一定期間を含む対象期間における前記時系列データの値を予測したイベント予測データを算出するイベント算出部と、
   前記イベント予測データの各値を、同一の期間における前記実測値データと前記イベント予測データとの差分に応じてシフトさせたデータを前記時系列データの予測結果である予測結果データとして算出する補正部と、
   前記実測値データに基づいて、前記対象期間における前記時系列データの傾向を示すトレンド予測データを算出するトレンド算出部と、
   前記実測値データの前記一定期間における前記トレンド予測データに対する相対的な値を示す相対値データを算出するトレンド除去部と、を有し、
   前記イベント算出部は、前記相対値データに基づいて、前記イベント予測データを算出し、
   前記補正部は、前記トレンド予測データを前記差分として、前記イベント予測データの各値をシフトさせ、
   前記トレンド算出部は、前記実測値データに基づいて、経過時間を説明変数、前記時系列データの値を目的変数としたトレンド予測モデルを生成し、当該トレンド予測モデルを用いて、前記トレンド予測データを算出する、時系列データ予測装置。
2. 前記トレンド予測モデルは、線形回帰モデルである、請求項１に記載の時系列データ予測装置。
3. 過去の一定期間における時系列データの値を示す実測値データに基づいて、前記一定期間を含む対象期間における前記時系列データの値を予測したイベント予測データを算出するイベント算出部と、
   前記イベント予測データの各値を、同一の期間における前記実測値データと前記イベント予測データとの差分に応じてシフトさせたデータを前記時系列データの予測結果である予測結果データとして算出する補正部と、
   前記実測値データに基づいて、前記対象期間における前記時系列データの傾向を示すトレンド予測データを算出するトレンド算出部と、
   前記実測値データの前記一定期間における前記トレンド予測データに対する相対的な値を示す相対値データを算出するトレンド除去部と、を有し、
   前記イベント算出部は、前記相対値データに基づいて、カレンダー情報を説明変数、前記時系列データの値を目的変数としたイベント予測モデルを生成し、当該イベント予測モデルを用いて、前記イベント予測データを算出し、
   前記補正部は、前記トレンド予測データを前記差分として、前記イベント予測データの各値をシフトさせる、時系列データ予測装置。
4. 前記イベント予測モデルは、決定木モデルを含む、請求項３に記載の時系列データ予測装置。
5. 前記決定木モデルは、前記イベント予測データの候補となる候補データをそれぞれ算出する複数の決定木を含み、
   前記イベント算出部は、各決定木により算出された複数の候補データに基づいて、前記イベント予測データの値として、下限値、代表値及び上限値を算出する、請求項４に記載の時系列データ予測装置。
6. 前記補正部は、前記一定期間の末尾を含む末尾期間における前記実測値データと前記イベント予測データとの差分に応じて、前記一定期間以降の前記イベント予測データの値を当該差分に応じてシフトさせる、請求項１又は３に記載の時系列データ予測装置。
7. 前記イベント算出部は、前記一定期間をずらしながら前記イベント予測データを繰り返し算出し、
   前記補正部は、前記イベント予測データが算出されるたびに、前記一定期間の末尾を含む末尾期間における前記実測値データと前記イベント予測データとの差分が一定値以上か否かを判定し、当該差分が前記一定値以上であると、当該イベント予測データが最後に算出されるイベント予測データである場合、当該一定期間以降の前記イベント予測データの値を当該差分に応じてシフトさせ、当該イベント予測データが最後に算出されるイベント予測データでない場合、前記トレンド算出部による前記トレンド予測データを算出する手法を変更する、請求項１又は３に記載の時系列データ予測装置。
8. 時系列データ予測装置による時系列データ予測方法であって、
   過去の一定期間における時系列データの値を示す実測値データに基づいて、前記一定期間を含む対象期間における前記時系列データの値を予測したイベント予測データを算出し、
   前記イベント予測データの各値を、同一の期間における前記実測値データと前記イベント予測データとの差分に応じてシフトさせたデータを前記時系列データの予測結果である予測結果データとして算出し、
   前記実測値データに基づいて、前記対象期間における前記時系列データの傾向を示すトレンド予測データを算出し、
   前記実測値データの前記一定期間における前記トレンド予測データに対する相対的な値を示す相対値データを算出し、
   前記イベント予測データの算出では、前記相対値データに基づいて、前記イベント予測データを算出し、
   前記予測結果データの算出では、前記トレンド予測データを前記差分として、前記イベント予測データの各値をシフトさせ、
   前記トレンド予測データの算出では、前記実測値データに基づいて、経過時間を説明変数、前記時系列データの値を目的変数としたトレンド予測モデルを生成し、当該トレンド予測モデルを用いて、前記トレンド予測データを算出する、時系列データ予測方法。
9. 時系列データ予測装置による時系列データ予測方法であって、
   過去の一定期間における時系列データの値を示す実測値データに基づいて、前記一定期間を含む対象期間における前記時系列データの値を予測したイベント予測データを算出し、
   前記イベント予測データの各値を、同一の期間における前記実測値データと前記イベント予測データとの差分に応じてシフトさせたデータを前記時系列データの予測結果である予測結果データとして算出し、
   前記実測値データに基づいて、前記対象期間における前記時系列データの傾向を示すトレンド予測データを算出し、
   前記実測値データの前記一定期間における前記トレンド予測データに対する相対的な値を示す相対値データを算出し、
   前記イベント予測データの算出では、前記相対値データに基づいて、カレンダー情報を説明変数、前記時系列データの値を目的変数としたイベント予測モデルを生成し、当該イベント予測モデルを用いて、前記イベント予測データを算出し、
   前記予測結果データの算出では、前記トレンド予測データを前記差分として、前記イベント予測データの各値をシフトさせる、時系列データ予測方法。
   

Images