04.2.4
パワースペクトルで周期を検出
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。
| |
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。
- 自己相関関数 (ACF) — 時間領域で周期的パターンを検出
- 季節成分とトレンドの分解 — トレンド・季節性・残差に分解して検証
- 季節サブシリーズプロット — 月別の推移で季節パターンの安定性を確認