5  結果と考察

ヒント書き方ガイド：結果と考察

何を書くか： モデルの学習結果・精度評価・分析結果を客観的に示し、その意味を考察する章です。報告書の中核となる最も重要な章です。

書き方のコツ：

  • 結果 と 考察 を分けて書きます。結果は客観的事実、考察は解釈と意味づけです
  • 精度は表で比較し、どの手法が優れているかを明確にします
  • グラフは複数の観点から作成します（時系列、誤差分布、変数重要度など）
  • 考察では「なぜそうなったか」の仮説を示し、先行研究との関連を述べます

Quartoの機能：

  • plotly でインタラクティブなグラフを作成できます
  • ::: {.panel-tabset} でタブ切替パネルを使い、複数の図を整理できます
  • knitr::kable() で R の結果をきれいな表として出力できます

5.1 モデル学習

第2章と同一のデータを読み込み、訓練データ（80%）とテストデータ（20%）に分割した。tidymodels フレームワーク (Kuhn と Silge 2024年) を用いて、線形回帰と LightGBM の2モデルを学習させた。

Kuhn, Max, と Julia Silge. 2024年. Tidy Modeling with R: A Framework for Modeling in the Tidyverse. O’Reilly Media. https://www.tmwr.org/.

5.2 精度比較

表 5.1 に各モデルのテストデータに対する精度評価結果を示す。

表 5.1: モデル精度の比較
モデル MAE RMSE R²
LightGBM 12.41 15.56 0.92
線形回帰 39.59 48.94 0.19

LightGBM は全ての指標で線形回帰を上回っており、特に RMSE の改善が顕著である。

5.3 予測結果の可視化

図 5.1 にテストデータの先頭200件における実測値と予測値の比較を示す。

図 5.1: 実測値と予測値の比較（テストデータ先頭200件）

5.4 誤差分析

図 5.2: 予測誤差の分布

図 5.2 より、LightGBM の誤差分布は線形回帰と比べて中心（誤差ゼロ付近）に集中しており、予測のばらつきが小さいことが確認できる。

5.5 変数重要度

図 5.3: LightGBM の変数重要度

図 5.3 より、hour（時間帯）と temperature（気温）が予測への寄与度が最も高い変数であることがわかる。

5.6 曜日別精度

図 5.4: 曜日別 MAE（LightGBM）
図 5.5: 曜日別 RMSE（LightGBM）

5.7 考察

本章の分析結果から、以下の考察が得られる。

モデル性能について

LightGBM は線形回帰と比較して全ての評価指標で優れた性能を示した（表 5.1）。これは、シェアサイクルの利用パターンが時間帯や気象条件と非線形な関係を持つためと考えられる。例えば、通勤時間帯（7-9時、17-19時）に利用数が集中するパターンは、線形モデルでは捉えにくい。

影響要因について

変数重要度分析（図 5.3）から、以下の知見が得られた。

  1. 時間帯（hour） が最も重要な変数であり、シェアサイクルの利用は通勤・通学の移動パターンに強く依存している
  2. 気温（temperature） が2番目に重要であり、気象条件がシェアサイクルの利用判断に大きく影響する。先行研究 (Eren と Uz 2020年) の知見とも一致する
  3. 降雨（is_rain） は利用数を大きく減少させる要因であり、需要予測において重要な変数である
Eren, Emir, と Volkan Emre Uz. 2020年. 「A Review on Bike-Sharing: The Factors Affecting Bike-Sharing Demand」. Sustainable Cities and Society 54: 101882. https://doi.org/10.1016/j.scs.2019.101882.

先行研究との比較

Fanaee-T と Gama (2014年) が示したバイクシェアリングデータにおけるイベント検出の知見と同様に、気象条件と時間帯が利用パターンの主要な決定要因であることが確認された。また、Singhvi ほか (2015年) が報告した NYC Citi Bike の予測事例と比較しても、勾配ブースティング手法の有効性は同様の傾向を示している。

Fanaee-T, Hadi, と João Gama. 2014年. 「Event Labeling Combining Ensemble Detectors and Background Knowledge」. Progress in Artificial Intelligence 2 (2–3): 113–27. https://doi.org/10.1007/s13748-013-0040-3.
Singhvi, Divya, Somya Singhvi, Peter I. Frazier, ほか. 2015年. 「Predicting Bike-Share Usage in Practice: NYC Citi Bike Case Study」. INFORMS Transportation Science and Logistics Society Workshop.