まず、数値回帰のトレーニングと予測に必要なデータを準備します。データは、カンマ（,）区切りのCSVファイル（BOMなし・UTF-8）で用意します。

トレーニング用データは、東京都の日毎の気象情報および日中時間と電力使用量を使用します。

• 最高気温
• 最低気温
• 日照時間
• 平均湿度
• 日中時間
• 電力使用量

これらのデータは、気象庁・国立天文台・東京電力パワーグリッドの各ホームページから入手できます。

• 最高気温・最低気温・日照時間・平均湿度：気象庁open_in_new
• 日中時間：国立天文台open_in_new
• 電力使用量：東京電力パワーグリッドopen_in_new

report 注意

日中時間は、国立天文台が提供する日の入りと日の出の時間から算出します。時間の単位は分とします。

このチュートリアルでは、2018年1月1日から2020年12月31日までの3年間のデータを準備し、トレーニング用データと予測用データに分けて使用します。

データの種類	データ量（期間）
トレーニング用データ	2018年1月1日から2020年11月30日までの2年11か月分
予測用データ	2020年12月1日から2020年12月31日までの1か月分

announcement 重要

予測用データは、実運用では未来のデータを使用します。このチュートリアルでは、実運用前の検証段階を想定しています。このため予測用データは、トレーニング結果の確からしさをテストするため、トレーニングには使用していない過去のデータを用います。

因子については、まとめたデータを用意しました。

データ	説明
cloud_download サンプル気象データ（weather_daytimeminutes.csv）	気象庁と国立天文台が提供するデータから東京都の気象情報と日中時間をひとつにまとめたカンマ（,）区切りのCSVファイルです。このファイルには、2016年1月1日から2018年12月31日までの以下のデータが含まれています。 年月日 最高気温 最低気温 日照時間 平均湿度 日中時間 左の欄のリンクをマウスの右ボタンでクリックしてください。表示されるメニューからリンク先を保存する旨の項目をクリックするとダウンロードできます。 announcement 警告 このデータを利用した一切の行為について気象庁および国立天文台は何ら責任を負いません。

結果となる値の電力使用量は、2次配布が許可されていないため、東京電力パワーグリッドのダウンロードページopen_in_newから直接ダウンロードします。

ダウンロードは、2020年・2019年・2018年のリンク（❶）をそれぞれマウスの右ボタンでクリックしてください。表示されるメニューからリンク先を保存する旨の項目をクリックするとダウンロードできます。いずれもカンマ（,）区切りのCSVファイルです。ファイル名は、それぞれjuyo-2020.csv・juyo-2019.csv・juyo-2018.csvです。

これで、データがすべて揃いました。これから、これらのデータをBLOCKSで扱えるデータ形式に加工していきます。

データの加工方法は色々ありますが、このチュートリアルでは、Excelで因子と結果となる値をひとつにまとめます。その後、BLOCKSのDataEditorで、トレーニング用データと予測用データへ分割します。

それでは、Excelで因子データと結果となる値をひとつにまとめていきます。形式は以下のように、因子→結果となる値の順に並べます。表の見出しは英数字とアンダースコア（_）で構成します（括弧内の表記が実際の見出し）。

（図をクリックすると拡大表示されます。）

info 参考

因子年月日は因子データではありませんが、電力使用量をまとめたり、トレーニング用データと予測用データへ分割する際に必要です。

先にダウンロードしたweather_daytimeminutes.csvファイルをExcelで開きます。

このファイル（ブック）の新しいワークシートに、3つの電力使用量のデータファイルを取り込んでいきます。

1. 「データ」をクリック
2. 「データの取得」をクリック
3. 「従来のウィザード」をクリック
4. 「テキストから（レガシ）」をクリック

lightbulb ヒント

Excel 2016以前をお使いの方は、［データ］→［テキストまたはCSVから］の順にクリックします。

1. juyo-2018.csvファイルをクリック
2. ［インポート］ボタンをクリック

3行分のヘッダを読み飛ばす設定を以下の手順で実施します。

1. ［取り込み開始行］を4に変更
2. ［次へ］ボタンをクリック

カンマ区切りのCSVファイルを読み込むための設定を以下の手順で実施します。

1. 区切り文字の［コンマ］のチェックボックスをオン
2. ［完了］ボタンをクリック

電力使用量のデータファイルは、新しいワークシートに取り込みます。

1. ［新規ワークシート］をクリック
2. ［OK］ボタンをクリック

2つ目のファイルjuyo-2019.csvを取り込む準備として、アクティブなセルの位置を最終行の次行（A8761のセル）に移動させます。キーボード操作で、Ctrl + ↓の後に、↓を1回押します。これで、A8701のセルがアクティブになります。

先ほどと同じ手順（「データ」→「データの取得」→「従来のウィザード」→「テキストから（レガシ）」）で、juyo-2019.csvを取り込みます。

1. 「既存のワークシート」が選択され、=$A$8761となっていることを確認
   =$A$8761以外の場合は、=$A$8761に変更
2. ［OK］ボタンをクリック

3つ目のファイルjuyo-2020.csvを取り込む準備として、アクティブなセルの位置を最終行の次行（A17521のセル）に移動させます。キーボード操作で、Ctrl + ↓の後に、↓を1回押します。これで、A17521のセルがアクティブになります。

先ほどと同じ手順（「データ」→「データの取得」→「従来のウィザード」→「テキストから（レガシ）」）で、juyo-2020.csvを取り込みます。

1. 「既存のワークシート」が選択され、=$A$17521となっていることを確認
   =$A$17521以外の場合は、=$A$17521に変更
2. ［OK］ボタンをクリック

これで、3つの電力使用量のデータファイルがワークシートSheet1に取り込めました。データは、日・時・電力使用量の順で並んでいます。

取り込んだ電力使用量のデータを見ると、1時間毎の電力使用量が記録されています。これに対して、今回のトレーニングデータは、気象情報および日中時間を日毎のデータでまとめています。このため、取り込んだこのデータはそのまま使えず、電力使用量を日毎のデータに再集計する必要があります。

それでは、ワークシートSheet1の電力使用量を日毎のデータにまとめて、ワークシートweather_daytimeminutesに記録する手順を紹介します。

1. ワークシートをweather_daytimeminutesに切り替える
2. セルG1をクリックし、electricity_usageと電力使用量の見出しを入力

1. セルG2をクリックし、=SUMIF(Sheet1!$A:$A,A2,Sheet1!$C:$C)と日毎の電力使用量を求める計算式を入力

これで、2018年1月1日分の電力使用量が計算されてG2に入力されました。後は、G3以降のセルに同様の式を展開するだけです。

1. G2セルをクリック
2. G2セル右下隅の矩形部分をダブルクリック

これで、3年分の気象情報・日中時間・電力使用量のデータがひとつにまとまりました。

この後はDataEditorで不正データの除去（クレンジング）と、トレーニング用データ・予測用データへ分割します。

DataEditorでは、カンマ区切りのCSVファイルが取り込めるので、Excelで加工中のデータをカンマ（,）区切りのCSVファイルへ出力します。

Excel上でF12キーを押します。

1. 「ファイルの種類」から「CSV（コンマ区切り）（*.csv）」をクリック
2. 「ファイル名」をpredict_electricity_demand.csvに変更
3. ［保存］ボタンをクリック

1. ［OK］ボタンをクリック

これで、カンマ（,）区切りのCSVファイルの出力は完了です。Excelは、このまま保存せずに閉じても構いませんし、ブックとして保存しても構いません。このチュートリアルでは、以降このExcelのデータは使用しません。

続いて、Excelで作成したデータをDataEditorでトレーニング用データと予測用データに分割します。

ウェブブラウザーで、BLOCKSにログインします。以降、BLOCKSログイン後を前提とした操作の解説です。

1. グローバルナビゲーション左端のメニューアイコン（menu）をクリック
2. 「DataEditor」をクリック

作成したCSVファイルをDataEditorにインポートします。

1. ［インポート］ボタンをクリック

1. インポート元から「Upload」をクリック
2. GCS URLで-dataで終わる項目をクリック
3. ファイル欄に、predict_electricity_demand.csvファイルをドラッグ・アンド・ドロップ
4. データセットIDの［＋］ボタンをクリックし、tutorialと入力
   既にtutorialがある場合はそれを選択
5. 名前欄に、電力の需要予測の基礎データと入力
6. ［インポート］ボタンをクリック

lightbulb ヒント

DataEditorは、BigQuery上のデータを視覚的に操作できるツールです。BigQueryに関する知識は必要ありませんが、BigQuery上の重要な要素であるデータセットとテーブルは指定する必要があります。Microsoft Excelに例えると、データセットはブックで、テーブルはシートに対応する概念です。

1. ［開く］ボタンをクリック

インポートしたデータからトレーニング用データと予測用データに分割したデータを作ります。

1. 「テーブル」タブをクリック
2. 「テーブル操作」から「テーブル分割」のアイコンをクリック

1. 分割方法から「カスタム」をクリック
2. 分割条件から「key」をクリック
3. 同じく分割条件からアイコンをクリック
4. スライダーを左にスライドさせ、日付が2020-11-30となるように調整
5. 列名がkeyのチェックを外す
   （トレーニング用データに必要ない年月日を取り除く）
6. 列名がelectricity_usageのチェックを外す
   （予測用データに必要のない結果となる値を取り除く）
7. ［分割］ボタンをクリック

1. ［戻る］ボタンをクリック

これで、データの分割が完了し、数値回帰のトレーニングと予測に必要なデータの準備ができました。

先ほど準備したトレーニングデータを使いDataEditorでトレーニングします。

1. 「電力の需要予測の基礎データ_train」をクリック

1. 「モデル作成」タブをクリック
2. 「線形回帰（回帰）」をクリック
3. 「詳細設定」をクリック
4. high_temperature、low_temperature、sunlight_hours、average_humidity、daytime_minutes列の「因子設定」が「予測因子」となっていることを確認
5. electricity_usage列の「因子設定」が「予測対象」となっていることを確認
6. ［モデル作成］ボタンをクリック

1. ［閉じる］ボタンをクリック

これで、トレーニングが始まります。しばらくお待ちください。

トレーニングの状況は、モデル一覧画面およびモデルの詳細画面で確認できます。

1. homeをクリック

1. ［モデル］タブをクリック

モデル名（❶）をクリックすると、そのモデルの更に詳細な情報が確認できます。

トレーニングが成功で終わると、ステータスが「モデル作成完了」と表示されます。

ここでは、分割した予測用のデータ（電力の需要予測の基礎データ_test）を使って予測します。

1. 「home」をクリック

1. 「電力の需要予測の基礎データ_test」をクリック

1. 「予測」タブをクリック
2. 「予測に使うモデルを選択してください」をクリック
3. 「線形回帰」左横の「arrow_drop_down」をクリック
4. 「predict_electricity_demand_train_model」をクリック
5. ［予測］ボタンをクリック

「predicted_label（結果）」列が予測結果です。