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

ホルト・ウィンター法 (Holt-Winters)

中級

04.7.4

ホルト・ウィンター法 (Holt-Winters)

最終更新 2020-04-08 読了時間 3 分
まとめ
ホルト・ウィンター法は、単純指数平滑法が追っていた「水準」に「傾き」と「季節パターン」の 2 つを加え、3 つの成分をそれぞれ別の平滑係数 α・β・γ で毎期更新しながら予測する手法です。予測は「水準 + 傾き × 先の月数」に季節の要素を足す(加法型)か掛ける(乗法型)かで作られ、トレンドのある周期的な系列を 1 年先まで伸ばせます。このページでは、月 2.0 の上昇と振幅 12・周期 12 か月の波を持つ 48 か月の系列に ExponentialSmoothing(trend="add", seasonal="mul", seasonal_periods=12) を当て、フィット値と 12 か月先予測を描きます。読み終えると、加法型と乗法型をデータの振幅の変化から選び分け、fit() が推定した α・β・γ の意味を読めるようになります。

指数平滑法 で水準だけを更新する α の仕組みを先に見ておくと、Holt-Winters はそこへ傾きの β と季節の γ を足したものとして理解できます。

直感 #

アイスの月次売上は、年々少しずつ増える流れ(傾き)の上で、毎年 8 月に高く 1 月に低い波(季節)を描きます。単純指数平滑法は「いまの水準」しか覚えないので、来年 8 月の予測はいまの水準のまま水平に伸び、夏の山を外します。Holt 法は「月 2.0 ずつ増える」という傾きも覚えて直線で伸ばし、Holt-Winters 法はさらに「8 月はふだんの 1.15 倍、1 月は 0.85 倍」のような 12 か月分の季節係数を覚えて、山と谷のある予測線を描きます。3 つの記憶はそれぞれ α(水準)、β(傾き)、γ(季節)の重みで、新しい月の観測が来るたびに少しずつ更新されます。

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:水準 → 傾き → 季節 と要素を足すほど、未来への伸ばし方が豊かになる。3 段目がこのページの trend="add", seasonal=... に対応し、周期 12 の山と谷が予測に現れる。

式で書くと 3 つの成分がどう更新されるか #

傾きを加法、季節を乗法にした Holt-Winters(このページのコードの設定)は、周期 \(m = 12\) として

$$ \begin{aligned} \ell_t &= \alpha \frac{y_t}{s_{t-m}} + (1-\alpha)(\ell_{t-1} + b_{t-1}) \\ b_t &= \beta (\ell_t - \ell_{t-1}) + (1-\beta)\, b_{t-1} \\ s_t &= \gamma \frac{y_t}{\ell_{t-1} + b_{t-1}} + (1-\gamma)\, s_{t-m} \\ \hat{y}_{t+h} &= (\ell_t + h\, b_t)\, s_{t+h-m} \end{aligned} $$

と書けます。1 行目は観測値を季節係数で割って「季節を取り除いた水準」を α で更新、2 行目は水準の増分を β で平滑化して傾きに、3 行目は観測値と水準の比を γ で平滑化して 12 か月分の季節係数に反映します。乗法型では季節係数が 1.15 や 0.85 のような「倍率」なので、水準が 80 から 170 へ上がると季節の振幅も 2 倍強に広がります。加法型(seasonal="add")では割り算が引き算に変わり、季節の振幅は水準に関係なく一定です。

Python で 12 か月先を予測する #

次のコードは、水準 80・月 2.0 の上昇・振幅 12 の季節波・標準偏差 3 のノイズを持つ 48 か月の系列を作り、傾き加法・季節乗法の Holt-Winters を当てて、フィット値と 12 か月先の予測を実測に重ねます。

 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
32
33
34
35
36
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import ExponentialSmoothing

rng = np.random.default_rng(25)
dates = pd.date_range("2019-01-01", periods=4 * 12, freq="M")
trend = 2.0 * np.arange(len(dates))
seasonal = 12 * np.sin(2 * np.pi * np.arange(len(dates)) / 12)
noise = rng.normal(0, 3, size=len(dates))
series = pd.Series(80 + trend + seasonal + noise, index=dates)

model = ExponentialSmoothing(
    series,
    trend="add",
    seasonal="mul",
    seasonal_periods=12,
).fit()

fitted = model.fittedvalues
forecast_steps = 12
forecast_index = pd.date_range(series.index[-1] + pd.offsets.MonthEnd(), periods=forecast_steps, freq="M")
forecast = model.forecast(forecast_steps)

fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(series.index, series, color="#94a3b8", label="実測値")
ax.plot(fitted.index, fitted, color="#2563eb", linewidth=1.6, label="フィット値")
ax.plot(forecast_index, forecast, color="#f97316", linewidth=1.6, label="12か月先予測")
ax.set_title("ホルト・ウィンター法(乗法季節モデル)")
ax.set_xlabel("年月")
ax.set_ylabel("値")
ax.legend()
ax.grid(alpha=0.3)

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

ホルト・ウィンター法 (Holt-Winters)の図

実行結果の読み方 #

灰色の実測は 80 付近から 4 年で約 174(80 + 2.0 × 47)まで上がりながら、毎年同じ月に山と谷を描きます。青のフィット値は最初の 1 年は初期値の影響でずれが大きく、2 年目以降は山と谷をほぼなぞります。橙の 12 か月先予測は、直近の水準から月 2.0 ずつ上がる直線に 12 か月分の季節係数を掛けた形で、山の位置は過去と同じ月、高さは水準の上昇に比例して過去の山より少し高くなります。これが乗法型の特徴で、加法型なら山の高さの増え方は傾きの分(12 か月で 24)だけになります。

使いどころと落とし穴 #

加法か乗法かは、実測の季節の振幅が水準に比例して広がっているか(「乗法」)、水準に関係なく一定か(「加法」)で選びます。売上や来客数のように「大きくなるほど季節の山も大きくなる」量は乗法が自然で、気温のように振幅が一定の量は加法が自然です。乗法型は 0 や負の値を含む系列には使えないので、その場合は加法型か対数変換を使います。α・β・γ は fit() の自動推定を基準にし、過学習が疑われるときは smoothing_trend を小さく固定して予測の傾きを抑える、といった調整をします。周期 12 の季節性を 24 か月未満のデータから学ぼうとすると係数が不安定になるので、最低 2 周期、できれば 3 周期以上のデータを用意してください。