このデータセットには、コンペティションのすべての時系列データが含まれています（データセットA - 経験的なビジネス時系列の同質集団から抽出された111の月次時系列データの完全なデータセットで、データセットBからの11の時系列データを含みます）。 --- 出典： http://www.neural-forecasting-competition.com/downloads/NN3/datasets/download.htm --- 各時系列データは、元のデータセットから行方向に転置されており、各列は時系列の構成要素を表しています。「FIT_1」から「FIT_126」までのデータを使用して、「PRED_0」から「PRED_17」までを予測する必要があります。 このデータセットにはNaNが含まれています！そして、これらは非常に重要です！NaNの列は、小さい/大きい時系列を表しています！ --- 評価： 我々は、基礎となる予測コンペティションに関する特定の意思決定問題を想定せず、したがって誤差のコストは対称的であると仮定します。トレーニングセットとテストセットの個々のデータサブサンプルにおける観測値の数の違い、および個々の系列間のスケールの違いを考慮するために、我々は平均百分率誤差指標を使用することを提案します。これは、産業界および以前のコンペティションにおいても定着したベストプラクティスです。すべての提出物は、すべての時系列にわたる平均対称平均絶対百分率誤差（SMAPE）を使用して評価されます。SMAPEは、各時系列sに対するサイズnのテストセットのすべての観測値tにわたって、実測値Xと予測値Fの間の対称的な絶対誤差をパーセントで計算します。 ![評価関数][1] （注意：以前に公開された誤った誤差測定方法から修正された式） 各系列のSMAPEは、データセット内のすべての時系列にわたって平均され、平均SMAPEが求められます。勝者を決定するために、すべての提出物はすべての系列にわたる平均SMAPEでランク付けされます。ただし、単一の指標に基づいて「最適な」方法を選択する際には、特に真の目的関数や損失関数がない場合に、バイアスが導入される可能性があります。したがって、我々の予測アプローチをランク付けする主な手段は平均SMAPEですが、提示された結果の信頼性を保証するために、代替指標も使用されます。すべての提出された予測は、異なる誤差指標に対する感度を分析するために、いくつかの追加の統計的誤差測定方法でも評価されます。報告目的のための追加指標には以下が含まれます： 平均SMAPE（勝者を決定する主要指標） 中央値SMAPE 中央値絶対百分率誤差（MdAPE） 中央値相対絶対誤差（MdRAE） 誤差測定方法に基づく平均ランキング 皆さん、幸運を祈ります:) [1]: http://www.neural-forecasting-competition.com/instructions-Dateien/image002.gif