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

季節成分とトレンドの分解

入門

04.7.2

季節成分とトレンドの分解

最終更新 2020-03-11 読了時間 3 分
まとめ
季節分解は、1 本の時系列を「トレンド(長期の流れ)+ 季節(周期的にくり返す波)+ 残差(どちらでも説明できない部分)」の 3 枚に分けて描き直す操作です。statsmodels.tsa.seasonal.seasonal_decompose は、周期の長さの移動平均でトレンドを取り出し、原系列からトレンドを引いた残りを「同じ季節位置ごとに平均」して季節成分を求め、残りを残差とします。このページでは、1 日 0.02 の上昇と振幅 6・周期 365 日の季節波、標準偏差 1.5 のノイズを持つ 4 年分の日次データを model="additive", period=365 で分解し、4 段の図で確かめます。読み終えると、トレンドの両端が 182 日ずつ欠ける理由と、加法型・乗法型を振幅の変化から選ぶ基準が分かります。

直感 #

コンビニの冷たい飲み物の売上を 4 年分毎日記録すると、夏に高く冬に低い波をくり返しながら全体として少しずつ右上がりに見えます。「本当に成長しているのか、去年の夏が暑かっただけなのか」は 1 本の折れ線では答えにくい問いです。季節分解は、まず 365 日の移動平均で夏と冬を打ち消して「ゆるやかな流れ」だけを取り出し、次に元の値からその流れを引いた残りを「1 月 1 日どうし、1 月 2 日どうし」と同じ日付で平均して「毎年くり返す形」を取り出します。最後に両方を引いた残りが残差で、ここに大きな山があればセールや異常の候補です。

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:元データ = トレンド + 季節成分 + 残差。残差に残った大きな山が異常の候補。このページでは周期が 365 日なので、トレンドの移動平均も 365 日幅になり両端が半年ずつ欠ける。

式で書くと 3 つの成分はどう求まるか #

加法型の分解は \(y_t = T_t + S_t + R_t\) を仮定し、周期 \(m = 365\) として次の順に計算します。

$$ T_t = \frac{1}{m} \sum_{k=-(m-1)/2}^{(m-1)/2} y_{t+k}, \qquad S_t = \underset{\text{同じ季節位置}}{\text{平均}}\,(y_t - T_t), \qquad R_t = y_t - T_t - S_t $$

トレンド \(T_t\) は 365 日の中心化移動平均なので、ちょうど 1 年分が窓に入って季節波が打ち消され、両端 182 日は窓が埋まらず NaN になります。季節 \(S_t\) は 365 個の位置ごとの平均値を 4 年分くり返した系列で、全体の平均が 0 になるように調整されます。このページのデータは \(y_t = 50 + 0.02t + 6\sin(2\pi, d_t/365) + \varepsilon_t\)(\(d_t\) は年初からの日数)なので、\(T_t\) は傾き 0.02 の直線、\(S_t\) は振幅 6 の正弦波、\(R_t\) は標準偏差 1.5 のノイズに近づくはずです。乗法型(model="multiplicative")では足し算が掛け算に変わり、\(S_t\) は 1.1 や 0.9 のような倍率になります。

Python で 4 段に分解して描く #

次のコードは、4 年分(1,460 日)の日次データを seasonal_decompose で加法分解し、原系列・トレンド・季節・残差を上から順に 4 段で描きます。

 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
32
33
34
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose

rng = np.random.default_rng(10)
dates = pd.date_range("2019-01-01", periods=4 * 365, freq="D")
trend = 0.02 * np.arange(len(dates))
seasonal = 6 * np.sin(2 * np.pi * dates.dayofyear / 365)
noise = rng.normal(0, 1.5, size=len(dates))
series = pd.Series(50 + trend + seasonal + noise, index=dates)

decomp = seasonal_decompose(series, model="additive", period=365)

fig, axes = plt.subplots(4, 1, figsize=(8, 6), sharex=True)
axes[0].plot(series.index, series, color="#1d4ed8")
axes[0].set_ylabel("観測値")
axes[0].set_title("原系列")

axes[1].plot(decomp.trend.index, decomp.trend, color="#9333ea")
axes[1].set_ylabel("トレンド")

axes[2].plot(decomp.seasonal.index, decomp.seasonal, color="#f97316")
axes[2].set_ylabel("季節")

axes[3].plot(decomp.resid.index, decomp.resid, color="#64748b")
axes[3].set_ylabel("残差")
axes[3].set_xlabel("日付")

for ax in axes:
    ax.grid(alpha=0.3)

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

季節成分とトレンドの分解の図

実行結果の読み方 #

1 段目の原系列は 50 付近から 4 年で約 79 まで上がりながら、夏に高く冬に低い振幅 6 の波を 4 回描きます。2 段目のトレンドはほぼ一直線で、両端が 182 日ずつ欠けているのは 365 日の移動平均の仕様です。3 段目の季節は振幅 6 の正弦波が 4 回まったく同じ形でくり返され、「成長している」のは 2 段目、「夏に高い」のは 3 段目の担当だと切り分けられます。4 段目の残差は 0 を中心に ±1.5 前後で散るだけで、周期的な偏りや特定の期間だけの広がりが見えなければ、加法型・周期 365 の指定は妥当だったと判断できます。

使いどころと落とし穴 #

分解はモデリングの前に「このデータに季節性とトレンドがどれだけあるか」を確かめる診断として使い、季節の振幅が 6 で水準の 10% 程度なら差分や季節調整の方針を決める材料になります。周期の指定が最も重要で、日次なら 7(曜日)か 365(年次)、月次なら 12 を、ACF のどのラグが飛び出すかで確認してから渡します。季節の振幅が水準に比例して広がるなら乗法型、年ごとに形が変わるなら STL、トレンドの端まで値が欲しいなら extrapolate_trend="freq" と使い分けます。残差に残ったパターンは「モデルが説明できなかった構造」なので、分解結果をそのまま予測に使うのではなく、STLForecast のように残差側にモデルを当てる手法へつなげます。