1 基本概念
時系列モデルは、観測値が時間順に並ぶデータの構造を数理的に表現するための枠組みである。単発の値を扱う通常の統計解析と異なり、過去の観測が現在や将来に与える影響を重視する。これにより、変動の特徴を把握し、推定や予測に役立てることができる。
1.1 時系列データの定義
時系列データとは、同じ対象について時点または期間ごとに得られる観測列を指す。気温、売上高、交通量、心拍数、機器の振動などが典型例である。各値は時間順序をもつため、並び替えを行うと意味が失われることが多い。
1.2 時系列モデルの目的
主な目的は、時間変化の仕組みを説明し、未来の値を予測することである。加えて、異常な挙動の検出、変動要因の分解、制御対象の把握にも用いられる。実務では、短期予測の精度だけでなく、解釈のしやすさも重要視される。
1.3 時系列特有の性質
時系列には、観測の順番に由来する独特の性質がある。各時点の値は互いに独立とは限らず、長期的な傾向や周期的な揺らぎを含むことが多い。こうした特徴を捉えることが、適切なモデル化の前提となる。
1.3.1 自己相関
自己相関は、ある時点の値が過去の値とどの程度関連しているかを示す性質である。近い時点どうしで似た動きが見られる場合、予測に利用できる情報が多いと考えられる。逆に、相関が弱いと、単純な履歴依存モデルは有効性が下がる。
1.3.2 非定常性
非定常性とは、平均や分散などの統計的性質が時間とともに変化する状態をいう。経済指標や気象データでは、制度変更や季節の移り変わりにより、この性質が現れやすい。分析では、変換や差分化によって扱いやすくすることがある。
1.3.3 季節性
季節性は、一定の周期で繰り返される変動を指す。日周期、週周期、年周期などが代表的であり、売上や電力需要、気温の変化に見られる。周期構造を明示的に扱うと、予測の安定性が高まる。
1.3.4 トレンド
トレンドは、長期的に上昇または下降する傾向である。短期の揺れとは区別され、基礎的な増減方向を示す。適切に分離すると、変動の本質を理解しやすくなる。
1.4 モデル化の基本的な考え方
時系列モデル化では、観測値をそのまま見るのではなく、背後にある生成過程を仮定する。そこでは、過去の値、外部要因、誤差項の関係を整理し、再現性のある説明を目指す。目的に応じて、単純な記述モデルから複雑な予測モデルまで選択される。
2 モデルの種類
時系列モデルには、確率過程に基づく古典的手法、内部状態を仮定する構造的手法、区分的な変化を表す非線形手法、学習能力の高い機械学習手法などがある。対象データの性質や分析目的に応じて使い分けるのが一般的である。
2.1 古典的統計モデル
古典的統計モデルは、少数のパラメータで時間依存を表現する。理論的に扱いやすく、解釈性にも優れるため、基礎的な分析で広く用いられる。代表的には、過去値や誤差の履歴を利用するモデルがある。
2.1.1 自己回帰モデル
自己回帰モデルは、現在の値を過去の観測値の線形結合として表す。履歴が短い場合でも、連続した変動を記述しやすい。ラグの選び方が性能に大きく影響する。
2.1.2 移動平均モデル
移動平均モデルは、過去の誤差項が現在の値に与える影響を表現する。観測に含まれる偶然の揺らぎを取り込み、短期的なノイズの構造を捉えるのに適している。単独よりも他のモデルと組み合わせて使われることが多い。
2.1.3 自己回帰移動平均モデル
自己回帰移動平均モデルは、自己回帰成分と移動平均成分を併せ持つ。過去の値と過去の誤差の双方を利用するため、柔軟な表現が可能である。実務では、滑らかな変化と短期ノイズの両方を扱う際に有用である。
2.1.4 差分を用いるモデル
差分を用いるモデルは、元の系列を変化量に変換して定常化を図る。水準の変化を直接扱うため、トレンドを含むデータに適している。変換後の系列に古典的なモデルを当てはめることが多い。
2.2 状態空間モデル
状態空間モデルは、観測される値の背後に、直接見えない内部状態があると考える枠組みである。観測の不完全さやノイズを明示的に扱えるため、動的なシステムの記述に向いている。推定と予測を同じ構造の中で扱える点が特徴である。
2.2.1 観測方程式
観測方程式は、内部状態から実際の観測値がどのように生成されるかを表す。測定誤差や観測ノイズを含めて記述することで、現実のデータに近い表現が可能になる。これにより、観測値そのものと真の状態を区別できる。
2.2.2 状態方程式
状態方程式は、内部状態が時間とともにどのように遷移するかを示す。制御入力や外部ショックを加味できるため、変化の仕組みを表現しやすい。動的システムの予測では中心的な役割を担う。
2.2.3 カルマンフィルタ
カルマンフィルタは、線形かつガウス的な状態空間モデルにおいて、逐次的に状態推定を更新する方法である。新しい観測が得られるたびに推定値を補正できるため、リアルタイム処理に適している。工学や制御分野で特に重要である。
2.3 非線形モデル
非線形モデルは、時間変化が単純な比例関係では表せない場合に用いられる。レジームの切り替わりや急激な挙動の変化を記述しやすく、現象の複雑さを反映できる。線形モデルより解釈や推定が難しい場合もある。
2.3.1 閾値モデル
閾値モデルは、ある基準値を境に異なる振る舞いをとるモデルである。低い水準と高い水準で動学が変わる現象を表しやすい。景気局面や装置の作動状態の切り替えに対応しやすい。
2.3.2 変化点モデル
変化点モデルは、系列の性質がある時点で急に切り替わるとみなす。平均や分散、傾向が不連続に変化する場面を捉えるのに向いている。異常や構造変化の検出にも利用される。
2.3.3 隠れマルコフモデル
隠れマルコフモデルは、観測されない離散状態が遷移し、その状態に応じて観測が生成されると考える。状態の切り替わりが確率的であるため、曖昧さを含む現象を扱いやすい。音声認識や行動解析などでも応用される。
2.4 機械学習を用いるモデル
機械学習を用いるモデルは、明示的な確率構造を置かずに、データから予測規則を学習する。大量の観測や複雑な依存関係を扱える点が強みである。一方で、結果の説明性や過学習への注意も必要となる。
2.4.1 決定木系手法
決定木系手法は、条件分岐を重ねて予測を行う。特徴量の扱いが柔軟で、非線形な関係を表現しやすい。時系列では、ラグ特徴や移動統計量を組み合わせて使うことが多い。
2.4.2 ニューラルネットワーク
ニューラルネットワークは、多層の変換を通じて複雑な関係を学習する。十分なデータがあれば、高度な予測性能を示す場合がある。系列の特徴抽出を自動化しやすい点が利点である。
2.4.3 循環型の深層学習モデル
循環型の深層学習モデルは、系列の順序を保ちながら内部状態を更新する。過去情報を保持しつつ入力を処理できるため、前後関係のあるデータに適している。長い依存関係を扱うための改良も多い。
2.4.4 注意機構を用いる手法
注意機構を用いる手法は、系列の中で重要な部分に重みを配分する。遠い時点の情報も参照しやすく、長期依存の学習に向く。複数変数を含む複雑な予測課題で利用が広がっている。
3 推定と解析
時系列解析では、モデルを選ぶだけでなく、パラメータを推定し、適合度を確認する手順が重要である。さらに、周波数の観点からデータを調べることで、周期構造や特徴的な振動を把握できる。
3.1 パラメータ推定
パラメータ推定は、観測データに最もよく合うモデルの設定を求める過程である。推定の方法によって、計算量、安定性、解釈のしやすさが変わる。対象に応じて複数の手法が使い分けられる。
3.1.1 最尤法
最尤法は、観測されたデータが得られる確率を最大にするパラメータを選ぶ方法である。統計的な基礎が明確で、幅広いモデルに適用できる。大標本では良好な性質を持つことが多い。
3.1.2 最小二乗法
最小二乗法は、予測値と観測値のずれの二乗和を最小にする考え方である。計算が比較的簡単で、直感的に理解しやすい。線形構造をもつモデルでは特に利用しやすい。
3.1.3 ベイズ推定
ベイズ推定は、パラメータに事前分布を与え、観測後に事後分布として更新する。少ないデータでも情報を組み込みやすく、不確実性の表現に強い。複雑な時系列では、予測区間の評価にも役立つ。
3.2 モデル選択
モデル選択は、複数の候補から最も適切なものを選ぶ手続きである。過度に複雑なモデルは訓練データには合っても、未知データで性能が落ちることがある。そのため、適合度と簡潔さの両面を考慮する必要がある。
3.2.1 情報量規準
情報量規準は、当てはまりの良さと複雑さを同時に評価する尺度である。代表例には、パラメータ数への罰則を含む基準がある。比較により、過学習を避けやすくなる。
3.2.2 交差検証
交差検証は、データを分割して学習と評価を繰り返す方法である。時系列では順序を保った分割が必要であり、通常のランダム分割とは扱いが異なる。実運用に近い条件で性能を見積もれる。
3.3 残差診断
残差診断は、モデルがデータの構造を十分に捉えているかを確かめる作業である。残差に規則性が残っていれば、モデル改善の余地がある。診断は予測精度だけでなく、妥当性の検討にも関わる。
3.3.1 独立性の確認
独立性の確認では、残差どうしに自己相関が残っていないかを調べる。相関があれば、モデルが時間依存を取り切れていない可能性がある。白色雑音に近い振る舞いが望ましいとされる。
3.3.2 正規性の確認
正規性の確認は、誤差分布が正規分布に近いかを検討する手続きである。これは推定や検定の理論的前提に関係する。大きな外れや歪みがある場合は、変換や別の分布仮定が必要になることがある。
3.3.3 分散の一定性の確認
分散の一定性の確認では、残差のばらつきが時間を通じて安定しているかを見る。分散が変動する場合、条件によって不確実性が異なることを意味する。必要に応じて、変動幅を表す別のモデルが検討される。
3.4 周波数領域での解析
周波数領域での解析は、時間変化を振動成分の重ね合わせとして捉える。周期的な挙動や特定の周波数帯の強さを把握しやすく、信号処理との親和性が高い。時系列の別表現として有効である。
3.4.1 スペクトル解析
スペクトル解析は、データに含まれる周波数成分の分布を調べる方法である。どの周期が強く現れているかを可視化できる。気象、音響、工学信号などで広く用いられる。
3.4.2 フーリエ変換
フーリエ変換は、時間領域の系列を周波数領域へ変換する基本的手法である。波形を正弦波成分に分解することで、周期構造を扱いやすくする。離散データでは、計算効率の高い変換法が実用的である。
4 応用
時系列モデルは、将来予測だけでなく、監視、最適化、分類など多様な場面で使われる。対象分野ごとにデータの性質は異なるが、時間依存を扱うという点では共通している。応用範囲は非常に広い。
4.1 経済と金融
経済や金融では、需要、価格、景気指標などが時間とともに変動するため、時系列解析の重要性が高い。政策判断や投資判断の補助として利用されることも多い。短期の変動と長期の傾向を分けて扱うことが求められる。
4.1.1 景気循環の分析
景気循環の分析では、拡大と後退の波を把握する。季節性とは異なる中長期の変動を捉えることが目的である。複数の経済指標を組み合わせて解釈することが多い。
4.1.2 需要予測
需要予測は、商品やサービスの将来の必要量を見積もる。在庫管理、物流計画、設備配置に直結するため、実務上の価値が高い。祝日や気温などの外生要因が影響する場合もある。
4.1.3 市場変動の予測
市場変動の予測は、価格や出来高の変化を推定する試みである。短時間での変動が大きく、ノイズも多いため、慎重な評価が必要である。説明性と予測性能の両立が課題となる。
4.2 工学と制御
工学分野では、機械や装置の挙動を連続的に観測し、異常を早期に見つけるために時系列モデルが使われる。制御理論と結びつくことで、状態推定やフィードバック設計にも応用される。リアルタイム処理との相性が良い。
4.2.1 センサー信号の解析
センサー信号の解析では、温度、圧力、振動、電流などの測定値を扱う。ノイズ除去や傾向抽出を通じて、装置の状態把握を行う。高頻度データでは計算効率も重要になる。
4.2.2 異常検知
異常検知は、通常とは異なる挙動を早期に見つける手法である。故障の前兆、通信障害、セキュリティ上の問題の発見に役立つ。モデル化した通常パターンとの差異を利用することが多い。
4.2.3 制御システムへの応用
制御システムへの応用では、推定した状態をもとに入力を調整する。装置の安定化や目標追従を実現するうえで、系列の未来を見通すことが重要になる。推定と制御を統合した設計が行われる。
4.3 自然科学
自然科学では、環境や生体の変動が時間的に記録されるため、時系列解析が有効である。法則性の抽出に加え、外的条件の影響を評価する際にも利用される。観測周期の違いに応じた手法選択が必要である。
4.3.1 気象予測
気象予測では、気温、降水量、風速などの時系列を扱う。大気の状態は複雑で変化も速いため、短期予測から長期傾向の把握まで多層的な分析が行われる。外部環境との連携も重要である。
4.3.2 生態系データの解析
生態系データの解析では、個体数、成長率、環境指標の変動を調べる。季節や外的条件に応じた変化を捉えることで、群集動態の理解が進む。観測の欠測やばらつきにも注意が必要である。
4.3.3 医療データの解析
医療データの解析では、心電図、血圧、血糖値、睡眠記録などが対象となる。個人差が大きいため、基準値だけでなく変化の仕方を重視する。継続観測から状態悪化の兆候を見つける用途もある。
4.4 情報科学
情報科学では、ログ、利用履歴、通信記録などの系列データを扱う場面が多い。分類、群集分け、予測支援といった課題に、時系列モデルが活用される。大規模データや高次元データへの対応も進んでいる。
4.4.1 時系列分類
時系列分類は、系列全体の形状や変化パターンに基づいて種類を判定する。対象は音声、動作、センサー記録など多岐にわたる。局所的な特徴と全体の流れの両方が手がかりになる。
4.4.2 時系列クラスタリング
時系列クラスタリングは、似た変動を示す系列を集めて समूह化する手法である。ラベルのないデータを整理するのに適している。距離の定義が結果に大きく影響するため、設計が重要となる。
4.4.3 予測支援システム
予測支援システムは、時系列モデルの出力を意思決定に結びつける仕組みである。需要計画、保守管理、運用監視などで利用される。予測値だけでなく、不確実性や警告情報を併せて提示することが多い。