実務的な需要予測手法
量的な予測手法の分類
予測は大きく質的な予測と量的な予測に分けられる．ここでは，量的な予測に限定して話を進める．量的予測手法は，大きく分けて時系列モデルと回帰モデルに分類できる．
時系列モデル
時系列予測は，時系列データが主で，付随するデータが少量のものを指す．ARIMAや指数平滑法などの古典的な手法や，確率的プログラミングに基づく手法が含まれる．指数平滑法には，傾向変動を考慮したHolt法や周期的な変動を考慮したHolt-Winter法があり，大規模データで高速に計算したい場合にはこれらが推奨される．計算量はかかるが，より精度を高めた予測が必要な場合には，ベイズ推論に基づく確率的プログラミングアプローチが推奨される．
右図に示すように，確率的プログラミングに基づく手法は，明確な推論，完全な柔軟性，分布までを考慮した不確実性を扱えるものである．それに対して機械（深層）学習は，推論が不明確，柔軟性がない，分布が扱えないという批判もある（がそれも以下で述べるように，使い方次第である）．
回帰モデル
回帰モデルにはランダム森に代表される機械学習アルゴリズムと，ニューラルネットを用いた深層学習がある．
上の3番目の図に示したのがランダム森である．簡単に言うとブーストラップによって抽出したランダムデータに対して，ランダムに選択した特徴による森（決定木）を作成し，それらのアンサンブル（多数決）によって予測を行う手法である．
一方，4番目の図に示したのは，時系列データに対する回帰型ニューラルネットであり，実務的には5番目に示したLSTMアークテクチャを用いる方が良い．しかし，我々が実務でよく使うのは，6番目に示した埋め込み層を用いたニューラルネットである．これは，日付データを多くの特徴に分解し，カテゴリーデータとし，それを埋め込み層によって処理をする手法である．
これらの手法の使い分けを以下の図に示した．いずれも無料（一部有料）のライブラリによって簡単に使うことができる．
