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

構造時系列 (UCM) モデル

上級

04.7.7

構造時系列 (UCM) モデル

最終更新 2020-08-19 読了時間 3 分
まとめ
構造時系列モデル(UCM、Unobserved Components Model)は、観測値を「レベル(水準)+ トレンド(傾き)+ 季節 + サイクル + ノイズ」のように目に見えない成分の和として定義し、それぞれの成分が毎期どう動くかを状態空間モデルで表してカルマンフィルターで推定する手法です。季節分解と似ていますが、成分ごとに「どれだけ揺れてよいか」を分散パラメータとして推定するので、推定値には不確かさが付き、欠損があっても逐次更新で埋められます。このページでは、月 1.5 の上昇・振幅 6・周期 12 の季節波・振幅 10・周期 24 か月のサイクルを重ねた 96 か月の系列に 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。

 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
37
38
39
40
41
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.structural import UnobservedComponents

rng = np.random.default_rng(33)
dates = pd.date_range("2015-01-01", periods=8 * 12, freq="M")
trend = 1.5 * np.arange(len(dates))
cycle = 10 * np.sin(2 * np.pi * np.arange(len(dates)) / 24)
seasonal = 6 * np.sin(2 * np.pi * np.arange(len(dates)) / 12)
noise = rng.normal(0, 3, len(dates))
series = pd.Series(200 + trend + cycle + seasonal + noise, index=dates)

model = UnobservedComponents(
    series,
    level="local linear trend",
    seasonal=12,
    cycle=True,
)
result = model.fit(disp=False)

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("構造時系列モデルの分解")

axes[1].plot(series.index, result.level_smoothed, color="#9333ea")
axes[1].set_ylabel("レベル")

axes[2].plot(series.index, result.seasonal_smoothed, color="#f97316")
axes[2].set_ylabel("季節")

axes[3].plot(series.index, result.cycle_smoothed, color="#0ea5e9")
axes[3].set_ylabel("サイクル")
axes[3].set_xlabel("年月")

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

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

構造時系列 (UCM) モデルの図

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。