K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

パワースペクトルで周期を検出

中級

04.2.4

パワースペクトルで周期を検出

最終更新 2020-02-25 読了時間 2 分
まとめ
パワースペクトルは、系列をいろいろな周期の正弦波の和に分解し、各周期の波がどれだけ強く含まれているかを棒の高さで示す図です。このページでは、振幅 4 の 7 日周期と振幅 8 の 30 日周期を混ぜた 365 日の系列を numpy.fft.rfft でフーリエ変換し、np.abs(...) ** 2 でパワーを求め、np.fft.rfftfreq の周波数を 1 / freq で周期(日)に変換してステムプロットに描きます。読み終えると、「週次や月次の周期が本当にあるか」を ACF より直接的に確かめ、季節分解や差分の周期を数値で決められるようになります。

自己相関関数 (ACF) で「周期と同じラグに相関のピークが立つ」ことを見ておくと、パワースペクトルが同じ周期を周波数側から見た図だと分かります。

FFT でパワースペクトルを求めると、系列に含まれる周期成分の強さが周期ごとの棒として現れ、7 日と 30 日のどちらが支配的かを一目で比べられます。

直感 #

和音を聞いて「ド・ミ・ソが鳴っている」と聞き分けるように、時系列も「7 日の波と 30 日の波が混ざっている」と分解できます。これをやるのがフーリエ変換で、系列を周期の違う正弦波の足し合わせとして書き直し、各波の係数の大きさを返します。係数の絶対値を 2 乗したものがパワーで、横軸に周期、縦軸にパワーを取った棒が高いほど、その周期の波が強く含まれています。ACF でもラグ 7 と 30 にピークは立ちますが、パワースペクトルは「どちらの波が何倍強いか」を振幅の 2 乗の比(この例では \(8^2 / 4^2 = 4\) 倍)として直接読めます。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:ずらした自分自身との相関が自己相関。周期と同じラグで相関が高くなる。

Python で描く #

次のコードは、水準 50 に振幅 4 の 7 日周期と振幅 8 の 30 日周期、標準偏差 1.5 のノイズを足した 365 日の系列を作り、np.fft.rfft でパワースペクトルを求めて周期 1〜60 日の範囲をステムプロットで描きます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

rng = np.random.default_rng(8)
dates = pd.date_range("2021-01-01", periods=365, freq="D")
signal = (
    50
    + 4 * np.sin(2 * np.pi * np.arange(len(dates)) / 7)  # 週次成分
    + 8 * np.sin(2 * np.pi * np.arange(len(dates)) / 30)  # 月次成分
)
noise = rng.normal(0, 1.5, size=len(dates))
series = pd.Series(signal + noise, index=dates)

fft_values = np.fft.rfft(series - series.mean())
power = np.abs(fft_values) ** 2
freq = np.fft.rfftfreq(len(series), d=1)  # 1日を単位とする

nonzero = freq > 0
period = 1 / freq[nonzero]

fig, ax = plt.subplots(figsize=(7, 4))
ax.stem(period, power[nonzero], basefmt=" ", use_line_collection=True)
ax.set_xlim(1, 60)
ax.set_title("パワースペクトルの例(周期表示)")
ax.set_xlabel("周期(日)")
ax.set_ylabel("パワー")
ax.grid(alpha=0.3)

fig.tight_layout()
fig.savefig("static/images/timeseries/power_spectrum.svg")

パワースペクトルで周期を検出の図

実行結果の読み方 #

周期 30 日の位置にいちばん高い棒、周期 7 日の位置に 2 番目の棒が立ち、それ以外はノイズによる低い棒の床になります。30 日の棒は 7 日の棒の約 4 倍の高さで、これは仕込んだ振幅 8 と 4 の比 2 の 2 乗です。棒が 1 本だけでなく 28〜32 日に数本ばらけて見えるのは、365 日は 30 の整数倍ではないので周期 30 がちょうど格子点に乗らず、隣の周波数に漏れる(スペクトル漏れ)ためです。実データでピークの位置を読むときは、いちばん高い棒の周期と、その両隣の棒の高さも見て「30 日前後」と幅をもって解釈します。

使いどころと落とし穴 #

主要周期が分かったら、seasonal_decompose(series, period=30) の period や、SARIMA の季節周期 \(s\)、季節差分 series.diff(30) の日数を、この図から読んだ数で決めます。落とし穴は 3 つあります。トレンドを含む系列は周期の長い側に大きなパワーが出て本物の周期を隠すので、series.diff() や平均除去より強い処理(線形トレンドの除去)を先に行います。欠損があるとサンプル間隔が一定でなくなり FFT の前提が崩れるので、欠損区間をハイライト で確認して補間してから計算します。周波数の分解能は \(1/365\) なので、周期 30 日と 31 日は区別できず、長い周期ほど読み取りの誤差が大きくなります。