時系列予測モデル一覧をまとめてみた
時系列予測モデル一覧をまとめてみた
はじめに
あまり時系列モデルのアルゴリズム一覧をまとめている記事が無くて困っていたので私の知っている限りの時系列データに使えるアルゴリズム一覧を書きます。
メモしないと忘れそうですね。
時系列モデル一覧
こちらが時系列モデル一覧になります。
・テーブルデータ系の数理モデル
・決定木モデル
・LightGBM
・XGboost
・CatBoost
・一般的な時系列系の数理モデル
・時系列モデル
・Prophet
・TBATS
・ホルトウィンターズ
・MSTL
・ARIMA
・SARIMA
・SARIMAX
・深層系時系列モデル
・DeepAR
・RNN
・LSTM
・双方向LSTM
・GRU
・NeuralProphet
・DeepFactor
・MQCNN
モデルの解説
ChatGPTに出力してもらいましたが、大体合っていると思います。
テーブルデータ系の数理モデル
LightGBM
- LightGBMは勾配ブースティング決定木アルゴリズムの一つであり、高速かつ効率的な学習が可能です。大規模なデータセットにも適用でき、精度の高い予測が可能です。
XGboost
- XGboostは勾配ブースティング決定木アルゴリズムの一つであり、LightGBMと同様に高速な学習が可能です。特にカテゴリカルな特徴量を効果的に扱うことができます。
CatBoost
- CatBoostはカテゴリカルな特徴量を扱う際に優れた性能を発揮する勾配ブースティング決定木アルゴリズムです。自動的にカテゴリカルな特徴量を処理し、高い予測精度を実現します。
一般的な時系列系の数理モデル
Prophet
- ProphetはFacebookによって開発された時系列データの予測に特化したライブラリです。季節性やトレンドの自動検出が可能であり、パラメータの調整も比較的容易です。
TBATS
- TBATSは季節性やトレンド、周期性を考慮した時系列データの予測に用いられるモデルです。複数の周期性を同時に扱うことができ、異なる周期性が混在するデータに適しています。
ホルトウィンターズ
- ホルトウィンターズ法は時系列データのトレンドや季節性を考慮した予測を行うモデルです。指数平滑法を基にしており、簡潔なモデル構造でありながら柔軟性が高い特徴があります。
MSTL
- MSTL（Multiple Seasonality Time Series Model）は複数の季節性を持つ時系列データの予測に特化したモデルです。異なる周期性を同時に考慮し、精度の高い予測が可能です。
ARIMA
- ARIMA（Autoregressive Integrated Moving Average）は自己回帰モデルと移動平均モデルを組み合わせた時系列データの予測モデルです。トレンドや季節性を考慮することができ、定常性を持つデータに適しています。
記事はこちら
ARIMAモデルで時系列予測をやってみる | Data Driven Knowledgebase (since2020.jp)
SARIMA
- SARIMA（Seasonal Autoregressive Integrated Moving Average）は季節性を持つ時系列データの予測に特化したARIMAモデルです。季節性を考慮することでより精度の高い予測が可能です。
SARIMAX
- SARIMAXはSARIMAモデルに外生変数（exogenous variables）を組み込んだモデルです。外生変数を追加することで、予測精度を向上させることができます。
深層系時系列モデル
DeepAR
- DeepARはAmazonによって開発された深層学習を用いた時系列データの予測モデルです。長期的なトレンドや季節性を捉える能力に優れており、柔軟性が高い特徴があります。
記事はこちら
【15%の精度向上】Amzonが開発した時系列モデル、DeepARが凄い | Data Driven Knowledgebase (since2020.jp)
RNN（Recurrent Neural Network）
- RNNは再帰的ニューラルネットワークの一種であり、時系列データの処理に特化したモデルです。過去の情報を保持するため、時系列データのパターンを捉える能力があります。
LSTM（Long Short-Term Memory）
- LSTMはRNNの一種であり、長期的な依存関係を学習する能力に優れています。時系列データの予測において、長期的なパターンを捉えることが可能です。
双方向LSTM
- 双方向LSTMはLSTMの一種であり、過去と未来の情報を両方向から考慮することができます。時系列データの予測において、より広範囲な情報を活用することが可能です。
GRU（Gated Recurrent Unit）
- GRUはLSTMと同様に長期的な依存関係を学習する能力を持ちながら、パラメータの数が少なく学習が高速である特徴があります。時系列データの予測において、効率的なモデル構築が可能です。
NeuralProphet
- NeuralProphetはProphetの深層学習版であり、時系列データの予測において高い柔軟性と精度を実現します。Prophetと同様のシンプルなモデル構造を持ちながら、深層学習の特性を活かしています。
DeepFactorやMQCNNの解説はまた別記事で行うと思っています。
