時系列予測の基礎｜需要予測・故障予測・トレンド分析の手法と実装ポイント
売上、需要、故障、来店数、株価——時系列データの予測は、ビジネスの意思決定で広く必要とされる技術です。古典的な統計手法から最新の深層学習まで、主要手法と使い分け、実装で気をつけたいポイントを整理しました。
「来月の需要はどれくらいか」「この機械は何日後に故障するか」「来店客数は今日のどの時間帯がピークか」——時系列予測は、ビジネス・行政・研究の様々な意思決定で欠かせない技術です。
本記事では、時系列予測の主要手法、使い分け、実装で気をつけたいポイントを整理します。
時系列予測のタスク
時系列予測には、用途別にいくつかのタスクがあります。
1. 単一系列予測（One-Step / Multi-Step Forecasting） 過去のデータから、未来 1 ステップまたは複数ステップの値を予測。最も基本的なタスク。
2. 複数系列予測（Multivariate Forecasting） 複数の変数（売上 × 気温 × 広告費）の関係を考慮しながら予測。
3. 異常検知 時系列の中で「いつもと違う」点を検出。「異常検知の基礎」を参照。
4. 残存寿命予測（Remaining Useful Life: RUL） 設備・部品が故障するまでの時間を予測。製造業の予知保全で活用。
5. 因果推論・反事実予測 「もしこの施策を打たなかったら、売上はどうだったか」を推定。マーケティング効果測定で使用。
古典的な時系列予測手法
長らく実用されてきた古典的手法は、今でも多くのケースで有効です。
1. 移動平均（Moving Average） 過去 N 期間の平均で予測。最もシンプル、解釈しやすい。
2. 指数平滑法（Exponential Smoothing） 過去のデータに指数的に減衰する重みを付ける。レベル・トレンド・季節性を分解する Holt-Winters 法が広く使われます。
3. ARIMA（Auto-Regressive Integrated Moving Average） 自己回帰、差分、移動平均を組み合わせる古典的手法。1 系列のみ、定常性の前提ありですが、シンプルなケースで強力。
4. SARIMA 季節性を考慮した ARIMA の拡張。月次・週次の周期性があるデータに有効。
5. 状態空間モデル 観測値と内部状態を分離してモデル化。Kalman フィルタ、Particle フィルタなどの推定手法と組み合わせる。
6. Prophet Facebook（現 Meta）が公開したライブラリ。トレンド・季節性・休日効果を自動で扱える、ビジネス用途で人気。
機械学習・深層学習の時系列予測
近年は、機械学習・深層学習ベースの手法が広く使われます。
1. 勾配ブースティング（XGBoost、LightGBM、CatBoost） 表形式データに変換して回帰。特徴量設計次第で古典手法を上回ることが多い。実務で最も多用される手法の一つ。
2. 再帰型ニューラルネットワーク（RNN・LSTM・GRU） 時系列の文脈を扱う深層学習。LSTM・GRU が長らく標準でした。
3. Transformer 系 言語モデルで成功した Transformer を時系列に応用。Informer、Autoformer、PatchTST、TimesNet などが代表。
4. N-BEATS、N-HiTS 時系列特化の深層学習アーキテクチャ。Prophet などの古典系を上回る性能を出すケースが多い。
5. 基盤モデル（Foundation Model） 大規模事前学習された時系列モデル。Lag-Llama、TimesFM、Chronos などが 2024〜2025 年に登場。少量データでも高精度な汎化が期待されます。
どの手法を選ぶか——使い分けの目安
「この手法が万能」というものはありません。データと用途に応じた使い分けが必要です。
| 条件 | 推奨手法 |
|---|---|
| データ少ない（数十〜数百点） | 古典手法（指数平滑、ARIMA） |
| データ中規模（数百〜数千点） | Prophet、XGBoost |
| データ大規模（数千点以上） | XGBoost、LightGBM、Transformer 系 |
| 多変量、説明変数あり | 勾配ブースティング、Transformer |
| 解釈性重視 | 古典手法、Prophet |
| 短期予測（数時間〜数日先） | RNN/LSTM、Transformer |
| 長期予測（数ヶ月〜数年先） | Prophet、状態空間モデル、基盤モデル |
| リアルタイム予測 | 軽量モデル（古典手法、勾配ブースティング） |
実務上は、「最初は単純なベースライン（移動平均など）から始めて、それを上回る手法だけ採用する」アプローチが効率的です。
業務シーン別の活用
時系列予測の典型的な用途を整理します。
1. 需要予測（小売・製造） 店舗別・商品別の販売数、生産量、原材料発注量。季節性・キャンペーン効果・天気の影響を織り込むのが重要。
2. 故障予測（製造・設備） 振動・温度・電流などのセンサーデータから、故障までの時間を予測。**「製造業 × AI」**で詳しく整理。
3. 来店客数・トラフィック予測 店舗、Web サイト、施設の利用者数を予測。人員配置最適化、サーバーキャパシティ計画に活用。
4. 株価・金融時系列 古典的なテーマ。ノイズが大きく、予測精度には限界があります。
5. 気象・環境予測 気温、降水量、農作物の生育、エネルギー需要などの予測。物理モデルとデータ駆動モデルのハイブリッドが主流。
6. 医療・健康時系列 血糖値、心拍、症状の経過予測。患者個人ごとのモデル化が必要なケース。
7. 異常イベントの発生予測 クマ出没予測、地震、災害、感染症の流行など。複雑な要因の統合解析。
実装で気をつけたい 6 ポイント
1. データの前処理
時系列データには、欠損、外れ値、サンプリング間隔の不均一、タイムスタンプの誤差など、様々な問題が含まれます。前処理に十分な時間を割くことが、モデル選びより重要なことが多いです。
2. 季節性・周期性の扱い
日次・週次・月次・年次の周期性を、明示的にモデルに織り込む（特徴量化する、Holiday を指定する、Fourier 級数を使うなど）。
3. 訓練・テスト分割の方向
時系列では、「未来のデータを訓練に使わない」分割が必須。ランダム分割は厳禁。Walk-Forward Cross-Validation が標準的。
4. 外的要因の取り込み
「天気、イベント、広告、競合動向」など、対象に影響する外的要因を変数として取り込む。変数選択次第で予測精度が大きく変わる。
5. 予測区間の表示
「単点予測」だけでなく、信頼区間・予測区間を表示すると、運用での意思決定に役立ちます。
6. 評価指標
時系列予測の評価には、MAE、RMSE、MAPE などが使われます。詳細は「AIモデルの評価指標を選ぶときの考え方」を参照。
予測結果を運用に活かすために
予測値が高精度でも、業務に活かされないと意味がありません。
- 予測結果と KPI の連動（「予測通り発注する」が業務フローに乗っているか）
- 意思決定者への分かりやすい可視化
- 予測の信頼区間に基づくリスク管理
- モデル更新と再学習のサイクル
- 予測ミスから学ぶフィードバックループ
「作るより使う」が、時系列予測プロジェクトの本質的な難所です。
まとめ
時系列予測は、シンプルな移動平均から最新の基盤モデルまで、手法の幅が広い領域です。データ量・用途・解釈性のバランスで使い分けるのが鉄則。技術選定以上に、前処理・分割・運用設計が成果を分けます。
リサーチコーディネートでは、需要予測、故障予測、来店客予測、生産計画など、幅広い時系列予測プロジェクトを手がけてきました。「時系列データから何が予測できるか相談したい」というご相談からお気軽にお問い合わせください。