NTech Predict特長

因果探索・予測ソリューション「NTech Predict」とは

時系列データから高精度な予測と因果探索の機能による原因の推定が可能です。
問題の原因の推定と、未来の予測を実施する事により、お客様の課題解決のお手伝いを致します。

• CSV形式（SJIS、UTF-8）の時系列データをご用意頂くだけで結構です。
• 上記の時系列データから「予測モデル」を簡単に作成できます。
• 簡単な操作で統計的因果探索（LiNGAMモデル）を用いた推定が可能です。

因果探索とは

データを参照し各項目間の因果関係を明らかにすること。原因の推論を導き出し関係の可視化や事象の関係性の方向や強さを確認することが可能です。

予測分析とは

「ビッグデータ」と呼ばれる膨大な量のデータを分析して、顧客の消費行動やマーケット動向、顧客が解約するタイミングなど未来に発生する事象を予測することを指します。これは分析手法のひとつであり、近年の技術発達により様々な分野で利用されています。また機械設備を多用する分野においては予測分析を利用して予知保全を行う事で、適切なタイミングで保全を実施するようになり、生産性を損なう危険を回避できます。
その汎用性の高さから、予測分析は既存業務の効率化・省力化やビジネスモデルの根本的な改革に利用されています。

NTech Predictの主な機能

LiNGAM（因果探索）に関しては滋賀大データサイエンス学部・清水 昌平教授の理論を適用しております。（※１）

清水 昌平教授のWebサイトはこちら

NTech Predictの強み

これにより予測結果に対するアクションの意思決定を支援します。

特長

機能

機能		備考
入力データ	テーブル型CSVファイル
	自動データクレンジング	カスタマイズ対応可
	入力データの基本統計可視化
時系列予測	自動特長量付与
	特長量組み合わせ最良探索
	最良モデル探索
	予測値への寄与因子可視化
	予測値の確率密度推定→確率可視化
	長期予測（未観測未来）の特長量の頻度推定
	時系列のグローバルな異常とローカルな異常の両方を検出
	外的イベント（休日等）対応（休日や特別なイベントのモデリング）	Patch-1リリース（9月予定）
	多次元時系列予測モデル	v2.0で対応予定
	GPU計算	v2.0で対応予定
異常検出・予測	長期時系列異常予測
	長期時系列異常予測の異常発生確率密度推定
	長期時系列異常予測の期間内異常発生確率の可視化
因果探索	混在データの自動データ分離（クラスタリング）
	クラスタリングアルゴリズム選択	Patch-1リリース（9月予定）
	因果探索結果の因果ダイアグラム可視化
	因果関係の強度推定と可視化
	因果関係の因果方向妥当性推定（確からしさの確率可視化）
可視化	インタラクティブプロット可視化
	インフォグラフィックス
カスタマイズ	ユーザーカスタマイズ機能	v2.0以降
	API提供	v2.0以降
クラウド版		v2.0以降

機能説明を見る 機能説明

動作環境

永続ライセンス版／サブスクリプションライセンス版

OS	Windows10/11
推奨スペック（CPU/メモリ）	Intel Core i7-9700 3GHz, 16GB以上
HDD/SDD空き容量	512GB以上
ブラウザ	Google Chrome, Microsoft Edge

端末要件

• Win10 21H1以降。
• CPU 仮想化が有効であること。
  計算速度はCPU性能に依存しますので、計算速度の速いほうが処理が速くなります。
• ユーザディレクトリ以下のHDDやSSDの空き容量が1TB以上、SSDを推奨しております。

※ユーザディレクトリ以下とは「%USERPROFILE%」となります。ここにインストールされますので、インストールユーザしか使用できません。ユーザディレクトリ以外での動作は未サポートとなっております(マルチユーザ対応次期バーションでの対応を予定しております）。

脚注

※１

• S. Shimizu, P. O. Hoyer, A. Hyvärinen, and A. Kerminen. A linear non-gaussian acyclic model for causal discovery. Journal of Machine Learning Research, 7: 2003--2030, 2006.
  
• A. Hyvärinen, K. Zhang, S. Shimizu, and P. O. Hoyer. Estimation of a structural vector autoregression model using non-Gaussianity. Journal of Machine Learning Research, 11: 1709-1731, 2010.