04.7.8
STL 分解とフォーキャスト
order=(1, 1, 1) のような小さいモデルで済み、季節の形が年ごとに少し変わるデータでも STL が追従してくれます。このページでは、月 0.8 の上昇と振幅 10・周期 12 の季節波を持つ 60 か月の系列を先頭 48 か月で学習し、statsmodels.tsa.forecasting.stl.STLForecast で残り 12 か月を予測します。読み終えると、period と model_kwargs が 2 段のどちらに効くかと、SARIMAX との使い分けが分かります。季節成分とトレンドの分解 で「元データ = トレンド + 季節 + 残差」の分け方を先に見ておくと、STLForecast は「分けた季節を予測の最後に足し戻す」手順として読めます。
直感 #
毎年 12 月に売上が跳ねる月次データを予測するとき、SARIMAX は「12 か月前との差分」でその季節を消しますが、季節の形が年ごとに少し変わるとうまく消えません。STLForecast は別の順序で考えます。まず STL 分解で「12 月は +10、6 月は −10」という季節の形を局所的に取り出し、それを引いた季節なしの系列を ARIMA(1,1,1) で 12 か月先まで予測し、最後に直近 1 年分の季節の形をそのまま足し戻します。季節を「予測する」のではなく「分けておいて戻す」ので、ARIMA は傾きとノイズの構造だけに集中できます。
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: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。STLForecast は 2 段目と 4 段目(トレンド + 残差)だけを ARIMA(1,1,1) で予測し、3 段目の季節成分を最後に足し戻す。
式で書くと 2 段の手順はどうなるか #
STL 分解で \(y_t = T_t + S_t + R_t\) と分けたあと、季節を外した系列 \(z_t = y_t - S_t = T_t + R_t\) に ARIMA(1,1,1) を当て、\(h\) か月先の予測を
$$ \hat{y}_{T+h} = \hat{z}_{T+h} + S_{T+h-12} $$と作ります。\(\hat{z}{T+h}\) が ARIMA による「トレンド + 残差」の予測、\(S{T+h-12}\) が学習区間の最後の 12 か月の季節成分をそのまま繰り返した値です。このページのデータは \(y_t = 100 + 0.8t + 10\sin(2\pi t/12) + \varepsilon_t\) なので、\(z_t\) は月 0.8 で増える直線にノイズが乗っただけの系列になり、ARIMA の d=1 がその傾きを定数として捉えます。
Python で STLForecast を学習して 12 か月先を予測する #
次のコードは、60 か月の系列を先頭 48 か月で学習し、STLForecast に ARIMA と order=(1, 1, 1) を渡して残り 12 か月を予測し、予測の上下 6 の帯とともに実測に重ねます。
| |
実行結果の読み方 #
青の学習区間は 100 付近から 4 年で約 138(100 + 0.8 × 47)まで上がりながら、振幅 10 の季節波を 4 回繰り返します。ここまでが STL の入力です。赤の予測線は 5 周期目の山と谷を直近 1 年の季節成分で再現し、月 0.8 の傾きを ARIMA が引き継いで、灰色の実測と標準偏差 3 のノイズの範囲で重なります。薄い赤の帯は ±6 の目安で、12 か月のうち 11 か月前後の実測がこの中に入れば、季節成分の足し戻しがうまく働いたと読めます。予測の山の位置が実測より 1 か月ずれているなら、STL の period か学習区間の末尾の季節成分を疑います。
使いどころと落とし穴 #
STLForecast が向くのは、季節の振幅や形が年ごとに少し変わる系列と、季節を ARIMA に学習させるには周期が長すぎる(週次の s=52 など)系列です。季節を先に外すので ARIMA は小さい order で済み、SARIMAX で seasonal_order を探索する手間が省けます。一方で足し戻す季節成分は「直近 1 周期の形がそのまま続く」仮定なので、来年だけ季節の山が大きくなる変化は予測に反映されません。季節成分の不確かさが予測区間に入らない点も STL 側の限界で、区間の幅を厳密に扱いたい場合は UCM や ETS のように季節を状態として推定するモデルを検討してください。
- 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
- ETS モデル — 誤差・トレンド・季節性を分離して予測
- 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