04.7.4
ホルト・ウィンター法 (Holt-Winters)
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。
| |
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。
- 単純指数平滑法 — 指数的な重みで滑らかに予測する基本形
- ETS モデル — 誤差・トレンド・季節性を分離して予測
- SARIMAX モデル — 季節性を含む時系列を予測