時系列予測入門：ARIMA・Prophet・LSTMの使い分け

時系列予測は過去のデータのパターンから未来の値を予測する技術です。株価予測、需要予測、売上予測、気象予報、電力需要予測など、ビジネスから科学まで非常に幅広く使われています。時間とともに変化するデータならすべて対象になります。

大きく2つ違います。1つはデータに時間的な順序があること。ランダムにシャッフルすると情報が失われます。もう1つは未来のデータを使ってはいけないこと。交差検証でも時間を考慮した分割が必要で、通常のk-Foldは使えません。

時系列データは主に3つの成分で構成されます。トレンドは長期的な上昇・下降傾向。季節性は周期的に繰り返すパターン（月ごとの売上変動など）。残差（ノイズ）はトレンドと季節性で説明できないランダムな変動です。この分解を理解することが時系列分析の第一歩です。

定常性とは、データの統計的性質（平均、分散）が時間によって変化しない性質です。ARIMAなどの統計モデルは定常性を前提としています。多くの実データは非定常なので、差分を取って定常化する前処理が必要です。ADF検定で定常性を統計的に判定できます。

ARIMAはAuto-Regressive Integrated Moving Averageの略で、時系列予測の古典的手法です。AR（自己回帰：過去の値から予測）、I（和分：差分で定常化）、MA（移動平均：過去の誤差から予測）の3つを組み合わせます。パラメータ(p,d,q)でそれぞれの次数を指定します。

SARIMA（季節性ARIMA）を使います。ARIMAの(p,d,q)に加えて季節成分(P,D,Q,m)が追加されます。mは季節周期で、月次データなら12です。Pythonではstatsmodelsのauto_arimaやpmdarima等で自動的に最適なパラメータを選択できます。

ProphetはMeta（旧Facebook）が開発したビジネスユーザー向けの時系列予測ツールです。トレンド+季節性+祝日効果を加法的にモデル化します。最大の利点は専門知識がなくても使いやすいこと。欠損値にも強く、祝日や特殊イベントの効果も簡単に組み込めます。

用途によります。Prophetは複数の季節性（週・月・年）や祝日効果があるビジネスデータに強いです。一方ARIMAは短期予測や単変量の精密な予測で優れることが多いです。Prophetは手軽さが魅力で、まずProphetで試してから精度が足りなければ他の手法を検討するのがおすすめです。

LSTM（Long Short-Term Memory）はRNNの一種で、長期的な依存関係を学習できます。複数の特徴量を同時に使える（多変量時系列）のが強みで、複雑なパターンの学習に向いています。ただしデータ量が十分でないと統計モデルに負けることもあります。

はい、Temporal Fusion Transformer（TFT）やPatchTSTなどTransformerベースの時系列モデルが注目されています。長期依存関係の学習やAttentionによる解釈性でLSTMを上回るケースが増えています。ただしまだ発展途上で、小〜中規模データではARIMAやProphetの方が安定します。