Cover of Time Series Forecasting, edition 2026.11.11, code 1RPH-3A4D Time Series Forecasting 1RPH-3A4D 11 editions since Nov 2026 Rolling Edition 2026.11.11

時系列予測

第2026.11.11版 2026年11月20日時点で例が通過 41 例中 41 例が合格 変更点

AIによる翻訳。英語版は人による検証済みである。 当社の書籍の作り方

英語版の書籍(版2026.11.11)から翻訳した。 原文を読む

30 社の顧客の時間単位の電力需要を題材に、1 日先の需要を予測し、その予測が妥当であることを確かめる方法を扱う。内容は、ベースライン、未来を一切見ないバックテスト、統計モデル、全顧客に対する 1 つの LightGBM モデル、合計が一致する予測、そして較正された予測区間である。

対象読者 pandas と基本的な回帰を知っており、売上、エネルギー、チケット、トラフィックなどの需要を予測するよう求められ、検証されても通用する予測を必要とするデータサイエンティストとアナリストに向けた本である。

読み始める
版の履歴2026年11月以降11 版各版と、その変更点
2026.11.12026.11.11
2026.11.11 · 2026年11月21日文章の修正、新しいコンテンツ35 節 節が変更された

目次

10 章、読了までおよそ9 時間 2 分、41 例を収録。

  1. 1明日の需要を予測する

    本章では、明日の需要に対する最初の予測と、以降のすべての予測が上回らなければならない単純なベースラインを構築する。

  2. 2モデルが超えるべきベースラインを定める

    本章では、ある顧客の翌日需要予測に対して、ナイーブ予測、季節ナイーブ予測、週平均予測の三つのベースラインを計算する。

  3. 3未来を見ずにバックテストを行う

    本章では、1年分のカットオフに対して翌日予測を採点するときに、その履歴へ未来を混入させない方法を扱う。

  4. 4顧客ごとに統計モデルを当てはめる

    本章では、同一のバックテストに対して、顧客ごとに AutoETS と固定の季節 ARIMA を当てはめ、両者を季節ナイーブと比較して採点する。

  5. 5カレンダー特徴量とラグ特徴量を加える

    この章を終えると、次のことができるようになる。

  6. 61つのモデルで多数のクライアントを予測する

    この章を終えると、30クライアント全体に対する1つのグローバルモデル、開始が遅いクライアントの先頭のゼロをモデルに入れないための開始規則、そして同じカットオフでクライアントごとにこのモデルを季節ナイーブ予測と並べて比較するスコアが手に入る。

  7. 7合計を一致させる

    本章では、30 の顧客の合計需要を 2 通りの方法で予測し、判断窓(decision window)を用いて両者のどちらを採るかを選び、各締め切り時点より前の履歴だけを使ってその合計を顧客ごとの比率に分割する。

  8. 8予測の不確実性を定量化する

    本章では、前日予測のそれぞれに区間を設け、その予測を購入の判断に用いてよいかどうかを述べられるようにする。

  9. 9Prophet と基盤モデルの比較

    この章を終えると、本書で標準とする三つのカットオフに Prophet を適合させ、記録済みの基盤モデル(Chronos-2)と記録済みのニューラルモデル(NHITS)を読み込み、すべてを同じ実測値に対して一つの MASE の尺度で評価できるようになる。

  10. 10Keep the forecast running

    Once a forecast runs every day, the question changes from whether it scored well to whether it still holds on the day it's used.

この節を引用する

形式

いずれの形式も、本訳書が従う英語版の書籍を出典として示す。

いずれの形式もこの版を明示している。そのリンクは現行版を開き、節の見出しには本文が最後に変更された日付が示される。アクセス日と取得日は、これを開いた日である。