時系列分析と予測についての解説

時系列データの作成に使用するデータには、いくつかの特性が見られる場合があります。それらの特性は、以下の要素に分解して考えることができます。
 

トレンド

トレンドは、メトリクスが向かう方向（何らかの方向性があれば）を示します。ここまでの例を続けると、ニュースレターの登録数は前月比で増加していることがわかります。つまり、サインアップのトレンドは増加傾向にあります。
 

季節性

季節性は、データ内のあるサイクルで発生する反復パターンを表します。通常は、予測可能で一貫したイベントに関連付けられます。最も一般的な例の一つは、ホリデーシーズン前後の消費者支出の増加ですが、より粒度の高い例としては、毎月1日と15日に賃貸可能なアパートが急増するケースが考えられます。
 

サイクルパターン

サイクルは、特定の季節やイベントによって定義されない長期的なパターンを表します。サイクルとは、多くの場合、景気の拡大と縮小を指します。景気の拡大と縮小は長期間にわたって起こる傾向があり、1つのイベントや事象に縛られることはありません。たとえば、不況時のエンタープライズソフトウェア支出の削減や、経済成長期の増加などが考えられます。
 

不規則ノイズまたはランダムノイズ

ノイズは、標準からの逸脱を引き起こす技術的な問題、単発の発生、その他の未定義のイベントなど、他の要素では説明できないデータポイントを表します。機械設備のセンサーエラーや刻々と細かく変動する株価は、ノイズの良い例です。

時系列データは、変数の数、データの収集方法、時系列に関するその他の統計情報に基づいて、さまざまなタイプに分類できます。時系列データの3つの主要な分類方法をご紹介します。
 

一変量時系列と多変量時系列

一変量時系列は、設定された間隔で単一のメトリクスを追跡します。一般的な例としては、人の心拍数の標準的な尺度である1分あたりの心拍数（BPM）が挙げられます。多変量時系列は同じ間隔を使用しますが、期間にわたって複数のメトリクスを追跡します。たとえば、病院は患者の心拍数と血中酸素濃度を同時に収集して追跡することで、循環器の健康状態についてより包括的なビューを得られます。 
 

一定間隔と不規則な時間間隔

一定間隔とは、一貫した時間間隔で記録される値です。たとえば、部屋の温度は1分に1回記録される場合です。不規則な時間間隔では、個別のイベントが発生したときに記録されます。たとえば、クラウドサービスが要求を処理するたびに追跡されます。こうしたイベントは、短期間に集中して発生することもあれば、まったく発生しないこともあります。 
 

定常時系列と非定常時系列

時系列予測モデルは定常データに依存しており、そこではデータ範囲が時間の経過とともに予測可能で、平均や分散といった統計的特性が変化しません。非定常データは、季節性やその他の変動要因によって変化が生じる性質を持っています。定常系列は非定常系列よりも信頼性が高く分析も容易ですが、差分法などの統計的手法を用いることで、非定常データを予測に適した安定した状態に変換することが可能です。

時系列は、リスク緩和やサービスの稼働時間に重点を置いた分析から、有用なパターンを明らかにするための履歴データの深い分析に特化したものまで、さまざまな分析に使用できます。

よりシンプルなユースケースとしては、アクティビティのベースライン設定に焦点を当てたものがあり、ITサービスのレイテンシー、マーケティング活動が1日あたりに獲得するエンゲージメントの数などが考えられます。時系列によって、こうしたケースの異常な挙動を監視できます。たとえば、レイテンシーの異常な急増はネットワークのメンテナンスが必要であることを意味し、マーケティングエンゲージメントの急激な増加は、どのメッセージが最も効果的かという貴重なインサイトを提供する可能性があります。

時系列を使用して、情報に基づいた意思決定を行うこともできます。その代表例が在庫管理です。顧客需要の過去の増減を分析することで、サプライチェーンと生産スケジュールを最適化して、製品やサービスが需要に応じてスケールアップとスケールダウンを行えるようにし、コスト削減を最大化できます。

時系列分析から有用なインサイトを引き出すには、さまざまな方法を使用できます。どちらの方法を選択するかは、時系列の特性と履歴データの可用性に依存します。以下に、最も一般的な時系列分析手法をいくつか紹介します。
 

移動平均と指数平滑化

いずれの方法も、メトリクスの変動の影響を軽減するために履歴データの平均値を使用します。移動平均は、ノイズやその他の異常な変化を取り除くことで、データの長期的な全体の傾向を明らかにするのに役立ちます。株価の移動平均は、上下の予測不可能な変化ではなく、設定された期間におけるその価格の全体的な軌跡を捉えます。指数平滑化は、古いデータよりも最近のデータを優先する手法です。これにより、最近の変更を反映した平均値が得られ、データの現状を反映したトレンドを予測できます。 
 

ARIMAモデルとSARIMAモデル

自己回帰和分移動平均（ARIMA）は、自己回帰、差分、移動平均の3つの手法を組み合わせて将来の変数を予測します。これらの手法を組み合わせることにより、ARIMAは非定常時系列を使用して、履歴データの移動平均に基づいて変数がどのように変化するかを推定し、正確な予測を提供できます。SARIMA（季節性自己回帰和分移動平均）は、データの季節的な変化を把握します。季節性を示すデータを使用して予測できます。
 

時系列予測のための機械学習

多くの組織は、リカレントニューラルネットワークや決定木モデルなどのML手法を分析プロセスに取り入れています。こうしたモデルは、より正確な予測を生成して非常に大量のデータを取り込むことができるためです。また、時間と労力のかかる分析も自動化できるため、組織の効率が向上します。

強力な機械学習ツールを使用しても、時系列分析の実装を成功させるためには、プロジェクトの目標と制約を慎重に検討する必要があります。以下に、新しい時系列分析プロジェクトを開始する際の5つのステップを示します。
 

1.目標の定義

何を知りたいのかを明確に把握することは、成功の評価だけでなく、データセットの限界を理解することも重要です。
 

2.データの準備とクリーニング

目標が明確になったら、データセットを収集し、スムージング技術を使用して、外れ値、データ値の欠落、データセット内のその他の問題に対処します。
 

3.パターンの可視化と探索

データをグラフィカルに可視化することで、季節性や全般的な傾向などの一般的なパターンを検出できます。自動相関関数（ACF）を使用すると、データセットが定常かどうかを判断しやすくなります。
 

4.適切な方法の選択

データと目標に応じて、季節性が特定の目標に関連しているデータセットにARIMAまたはSARIMAを適用できます。より大規模なデータセットや複雑なデータ分析では、結果を得るためにMLやディープラーニングの技術が必要になる場合があります。
 

5.結果の検証と解釈

多数の手法により、結果が正確かどうかを検証できます。通常は、予測結果と実際の結果を比較します。モデルが将来の結果を正確に予測していることを検証できたら、その予測を使用してステップ1で概説した目標について決定します。たとえば、今後6か月間の消費者需要の変化を予測します。