時系列予測 じけいれつよそく

---

時系列予測とは

時系列予測（Time Series Forecasting） は、時間順に並んだデータを使って将来の値を予測する機械学習のタスクです。過去の値・トレンド・季節性・外部要因などを考慮して、1ステップ先（1日後・1時間後など）または複数ステップ先を予測します。

ビジネスへの応用範囲が広く、「来月の売上予測」「明日の電力需要予測」「設備の故障時期予測」「在庫の適正量の予測」などに使われています。従来は統計手法（ARIMA・指数平滑法）が主流でしたが、近年はLSTM・Transformer・N-BEATSなど深層学習モデルが高精度を達成しています。

時系列データの特徴としてトレンド（長期的傾向）・季節性（周期的変動）・ノイズ（ランダムな変動） の3成分があり、モデルはこれらを分解して学習します。

---

主要な手法の比較

手法	カテゴリ	特徴	向いている場面
ARIMA	統計	解釈しやすい。データ量が少なくても動く	単変量・短期予測
指数平滑法（ETS）	統計	シンプル。季節性に対応	小売の需要予測
Prophet	統計+ML	Facebookが公開。祝日・欠損値に対応	ビジネス予測
LSTM	深層学習	長期依存関係を学習	複雑なパターン
Transformer（TFT等）	深層学習	マルチ変量・長期予測に強い	大規模・多変量
N-BEATS	深層学習	分解可能な解釈性の高いDLモデル	一般的な予測

import pandas as pd
from prophet import Prophet  # Facebookの時系列予測ライブラリ

# データ準備（ds: 日付列, y: 値列）
df = pd.read_csv("sales.csv")
df.columns = ['ds', 'y']

# Prophetでの予測
model = Prophet(
    yearly_seasonality=True,   # 年次季節性
    weekly_seasonality=True,   # 週次季節性
    daily_seasonality=False
)
model.fit(df)

future = model.make_future_dataframe(periods=90)  # 90日先まで予測
forecast = model.predict(future)

---

歴史と背景

• 1970年代：Box-JenkinsによるARIMAが時系列解析の標準手法に
• 1990年代：LSTMが提案され、時系列データへの深層学習適用の基盤に
• 2017年：FacebookがProphetを公開。非エンジニアでも使えるツールが普及
• 2020年以降：Transformerベース（TFT・Informer・PatchTST）が長期時系列で高精度を達成

---

時系列予測の評価指標

指標	意味	特徴
MAE	平均絶対誤差	異常値に強い
RMSE	二乗平均平方根誤差	大きな誤差を重視
MAPE	平均絶対パーセント誤差	値の大小を問わず比較可能
sMAPE	対称MAPE	0に近い値でも安定

---

活用シーン

分野	具体的な予測
小売・EC	商品別の需要・在庫予測
製造	設備の異常予兆検知
金融	株価・為替の方向性予測
エネルギー	電力消費量・再生可能エネルギー発電量予測
物流	配送量・積み込み量の予測

---

関連用語

• LSTM — 時系列予測で広く使われる深層学習モデル
• RNN（再帰型ニューラルネットワーク） — 時系列処理の基本的な深層学習モデル
• 自己回帰モデル — 時系列予測と共通する逐次予測の考え方
• 自己注意機構（Self-Attention） — Transformer系時系列モデルの中核