04.7.3
単純指数平滑法 (Simple Exponential Smoothing)
statsmodels.tsa.holtwinters.SimpleExpSmoothing を smoothing_level=0.3 で当て、推定値と 14 日先の予測を描きます。読み終えると、α を大きくすると追従が速くなり小さくするとなめらかになる理由と、SES の予測が必ず水平線になる理由が分かります。直感 #
毎日の体重を見て「いまの本当の体重」を見積もるとき、今日の 1 回の測定だけを信じると水分量のブレに振り回され、過去 1 か月を全部同じ重みで平均すると最近の変化に追いつけません。指数平滑法はその中間で、「昨日までの見積もりを 7 割残し、今日の測定を 3 割だけ混ぜる」という更新を毎日行います。この 3 割が平滑係数 α です。α を 0.9 にすれば今日の値にほぼ従って線はギザギザに、0.1 にすれば過去を長く覚えてなめらかになります。明日以降の予測は「今日の見積もりがそのまま続く」と考えるので、SES の予測線は最後の推定値の高さで水平に伸びます。
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:α は「新しい値をどれだけ信じるか」。小さいほど滑らか、大きいほど直近に追従。コードの α = 0.3 はスライダー 2 番目の設定にあたる。
式で書くと重みはどう減るか #
推定値(水準)\(\ell_t\) の更新式と \(h\) 日先の予測は
$$ \ell_t = \alpha\, y_t + (1 - \alpha)\, \ell_{t-1}, \qquad \hat{y}_{t+h} = \ell_t $$です。更新式を展開すると \(\ell_t = \alpha y_t + \alpha(1-\alpha) y_{t-1} + \alpha(1-\alpha)^2 y_{t-2} + \cdots\) となり、\(k\) 日前の観測値の重みは \(\alpha(1-\alpha)^k\) で指数的に減ります。α = 0.3 では 0.3, 0.21, 0.147, 0.103, … と続き、10 日分を足すと \(1 - 0.7^{10} \approx 0.97\) なので、実質的に直近 10 日の加重平均と見なせます。予測が \(h\) に依存しないため、トレンドのある系列に当てると予測線が実測から一方向にずれていきます。
Python で α = 0.3 の推定値と 14 日先予測を描く #
次のコードは、標準偏差 0.6 の増分を累積したランダムウォーク 200 日分を作り、α を 0.3 に固定した SES の推定値(青)と 14 日先の予測(橙)を実測(薄い青)に重ねます。
| |
実行結果の読み方 #
薄い青の実測は 50 から出発して、標準偏差 0.6 の増分で上下に漂います。濃い青の推定値は細かな上下が消えてなめらかになり、実測が方向を変えた直後には 2〜3 日遅れて追いつく動きを見せます。これが α = 0.3 の「過去を 7 割残す」効果です。右端の橙の予測線は最後の推定値の高さで 14 日間まっすぐ水平に伸び、傾きも波も持ちません。実測がその後も漂い続けるなら誤差は日ごとに広がります。それでもトレンドのない系列では、この水平線が偏りの少ない予測です。
使いどころと落とし穴 #
SES が向くのは、トレンドも季節性も弱く、水準だけがゆっくり変わる系列のベースライン予測と、推定値からの外れを監視する異常検知です。α は 0.1〜0.3 でなめらか寄り、0.5 以上で追従寄りと覚え、迷ったら optimized=True で推定した値を基準にします。右上がりの系列に当てると予測が常に下にずれるので、傾きを持たせた Holt 法(ExponentialSmoothing(trend="add"))へ、周期 12 の季節性があるなら Holt-Winters(seasonal="add", seasonal_periods=12)へ拡張してください。予測区間も欲しい場合は、SimpleExpSmoothing では出せないので、同じ更新式を状態空間で扱う statsmodels.tsa.exponential_smoothing.ets.ETSModel の get_prediction() を使います。
- ホルト・ウィンター法 — トレンドと季節性を同時に平滑化して予測
- ETS モデル — 誤差・トレンド・季節性を分離して予測
- 単純指数平滑法 (レガシー) — SESの基本的な実装と解説