04.7.7
構造時系列 (UCM) モデル
UnobservedComponents(level="local linear trend", seasonal=12, cycle=True) を当て、3 つの成分がどう分離されるかを 4 段の図で確かめます。読み終えると、level の指定で傾きの有無が決まることと、季節とサイクルの違いが分かります。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、UCM はその各成分を「毎期少しずつ変わってよい状態」として推定し直したものとして読めます。
直感 #
毎月の電力需要には、人口増による月 1.5 のゆるい上昇、夏と冬に高くなる周期 12 か月の季節、景気の波で 2 年ごとに山と谷を描くサイクルが重なっています。移動平均で分解する方法では「周期 12 の季節」と「周期 24 のサイクル」を区別できず、どちらもトレンドか季節に混ざります。UCM は最初から「水準と傾きはランダムウォークで漂う」「季節は 12 か月で 1 周する」「サイクルは周期が未知の正弦波」と部品を宣言し、観測値を 1 か月ずつ読みながら各部品の現在値を更新します。カルマンフィルターは「前の月までの推定」と「今月の観測」を、各部品の揺れやすさに応じた重みで混ぜる計算で、全期間を読み終えたあと逆向きにならす「スムージング」をかけると、図の 2〜4 段目のように滑らかな成分が得られます。
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。UCM の level="local linear trend" が水準と傾き、seasonal=12 が季節、cycle=True が周期 24 か月の長い波を担当する。
式で書くと成分はどう動くか #
このページのモデルは、観測値 \(y_t\) を 4 つの成分とノイズの和とし、各成分の 1 か月の動きを次のように定めます。
$$ \begin{aligned} y_t &= \mu_t + \gamma_t + c_t + \varepsilon_t \\ \mu_t &= \mu_{t-1} + \beta_{t-1} + \eta_t, \qquad \beta_t = \beta_{t-1} + \zeta_t \\ \gamma_t &= -\sum_{j=1}^{11} \gamma_{t-j} + \omega_t \\ c_t &= \rho\,(c_{t-1}\cos\lambda + c^{*}_{t-1}\sin\lambda) + \kappa_t \end{aligned} $$1 行目が観測の式です。2 行目の水準 \(\mu_t\) は前月の水準に傾き \(\beta_{t-1}\) を足して進み、傾き自身もランダムウォークで変わる「局所線形トレンド」です。3 行目の季節 \(\gamma_t\) は「直近 12 か月の季節効果の和が 0」という制約の下で揺れ、4 行目のサイクル \(c_t\) は周波数 \(\lambda\) と減衰率 \(\rho\) を持つ正弦波で、周期 \(2\pi/\lambda\) をデータから推定します。\(\eta_t, \zeta_t, \omega_t, \kappa_t, \varepsilon_t\) の分散が fit() で推定されるパラメータで、分散が 0 に近い成分は「ほとんど形を変えない」と解釈します。このページのデータは周期 12 の季節と周期 24 のサイクルを別々に埋め込んでいるので、\(2\pi/\lambda\) が 24 か月に近づけば分離は成功です。
Python で 3 成分を分離して描く #
次のコードは、96 か月(8 年)の系列に局所線形トレンド・周期 12 の季節・サイクルを宣言した UCM を当て、スムージング後のレベル・季節・サイクルを原系列の下に 3 段で描きます。
| |
実行結果の読み方 #
1 段目の観測値は 200 付近から 8 年で約 343(200 + 1.5 × 95)まで上がりながら、周期 12 の小さな波と周期 24 の大きな波が重なってうねります。2 段目のレベルは月 1.5 の傾きを持つほぼ直線で、季節もサイクルも取り除かれています。3 段目の季節は振幅 6 前後の波が 12 か月ごとにくり返され、4 段目のサイクルは振幅 10 前後の波が 24 か月ごとに山を作ります。周期 24 の波が 2 段目のレベルに混ざってうねっていれば、サイクルの分離が不十分なので stochastic_cycle=True や学習期間の延長を検討します。
使いどころと落とし穴 #
UCM が向くのは、「傾きはいくらか」「季節の寄与は何か」「景気のような長い波はあるか」と成分ごとの答えが必要な分析と、欠損を含む系列の補間です。状態空間モデルなのでカルマンフィルターが欠損月を自然に飛ばして推定し、result.get_forecast() で成分込みの予測と区間も得られます。弱点は推定するパラメータが多いことで、96 か月程度のデータで季節・サイクル・確率的傾きをすべて自由にすると分散の推定が不安定になります。sigma2.trend の分散を 0 に固定して傾きを一定にする、サイクルを外して季節だけにするなど、事前知識で成分を減らし、result.aic で比べながら必要な成分だけを残すのが安定させるコツです。
- 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
- SARIMAX モデル — 季節性を含む時系列を予測
- STL 分解とフォーキャスト — STL分解後の残差にARIMAを適用して予測