機械学習にて外部データを用いてモデル構築する際に関して

Question

機械学習に関して知識があまりないのでご容赦ください

背景
Uberのプローブデータを用いて需要予測モデルの構築を考えています。
データは時系列データであり、３０秒ごとに緯度経度や乗車ステータスなどが記録されています。

提供されている生データだけでは説明変数としては不十分なので「気温」「降水量」「都市の人口(メッシュで区分ごとに)」などの外部データを追加しようと思っています。

予測に用いる手法
予測に用いる手法はNeuralNetworkの時系列データに特化したLSTMを考えています。

質問内容
LSTMに限った話ではないですが、外部データを追加した予測モデルを構築する際に、これらの外部データはどのように学習データとして追加すればいいのかがいまいちわかっていません。
３０秒ごとに記録されているプローブデータに新たなカラム「気温」「降水量」「人口」を追加してデータ結合をし、そのまま学習データとして用いて良いのかという疑問がわきました。
また、電車の遅延情報なども予測モデルに反映させたいのですが、もはやどのように反映させていいかがわかりません。

この場合どのように予測モデルを構築するのが正しいのでしょうか。どなたかご教授いただけると幸いです。よろしくお願いいたします。

Answer 1

モデル化にあたってどのような仮説を置くかに依存すると思います。30秒間隔のプローブデータに1時間間隔の降水量を紐付ける際、次の降水量が現れるまで変化しないと仮定するのか、次の降水量までリニアに変化すると仮定するのかで方法は異なります。
さらにいうと目的変数は30秒間隔のプローブデータには影響されず1時間の累計に影響されると仮定した場合はプローブデータをまとめた上で結合させることになるはずです

Comments

[ha_horse]

ご回答ありがとうございます。
３０秒ごとのプローブデータを１時間ごとのデータに変換し、更に１時間ごとの降水量(今回は次が現れるまで変化しない仮定とします)などをデータ結合すれば良いという解釈で合っていますでしょうか？

この解釈で合っていれば、電車の１時間ごとの遅延情報を追加したい時、予測したい都市範囲内の駅全てのカラムを作り、delay_flagみたいなものを結合するやり方でも問題ないでしょうか？

[R.Shigemori]

初めにコメントした通りで、どのような仮説を置くかによります。
目的変数が1時間ごとのプローブデータと相関すると仮定するのであれば、問題ありません。しかしながら、この仮定がムリ筋であれば、別な方法を選択するべきです