時系列予測モデルの比較【Prophet・ARIMA・LSTMを使い分ける】

はじめに
Prophet（Meta製）
ARIMA
LSTM（Long Short-Term Memory）
3手法の使い分けまとめ
よくある質問
まとめ

はじめに

時系列予測は需要予測・売上予測・在庫予測など業務で広く使われています。Prophet・ARIMA・LSTMの3手法はそれぞれ得意分野があり、使い分けが重要です。製造業での需要予測プロジェクト経験から3つの比較と使い分けを解説します。

Prophet（Meta製）

Prophetはトレンド・季節性・休日効果を自動的に分離して予測します。ビジネス時系列（日次売上・週次来店数など）との相性が抜群で、Pythonで5行程度で動かせます。欠損値にも比較的頑健で、データサイエンティスト以外でも使いやすいのが特徴です。

from prophet import Prophet

model = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=True,
    daily_seasonality=False
)
model.fit(df)  # df: ds(日付), y(値)のDataFrame
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)

おすすめ場面：日次・週次の売上予測、強い季節性があるデータ、非エンジニアへの説明が必要な場合

ARIMA

ARIMAは統計的な時系列モデルで、データの自己相関・季節性を明示的にモデル化します。Prophetより解釈性が高く、統計的な信頼区間が明確です。

from statsmodels.tsa.arima.model import ARIMA
from pmdarima import auto_arima

# パラメータ自動選択
model = auto_arima(train_data, seasonal=True, m=12,
                   stepwise=True, suppress_warnings=True)
forecast = model.predict(n_periods=12)

おすすめ場面：統計的な厳密さが求められる場面、データ量が少ない場合、月次・年次の予測

LSTM（Long Short-Term Memory）

LSTMは深層学習ベースの時系列モデルで、複雑な非線形パターンを学習できます。データ量が多く、複数の外部変数（気温・曜日・イベント）がある場合に強みを発揮します。

import torch
import torch.nn as nn

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        lstm_out, _ = self.lstm(x)
        return self.fc(lstm_out[:, -1, :])

おすすめ場面：データ量が十分（数千行以上）、複数の特徴量がある、非線形な複雑なパターンがある場合

3手法の使い分けまとめ

データ量が少ない（数十〜数百行）・季節性が明確・解釈性が重要な場合はProphetまたはARIMAを選びます。データ量が多い（数千行以上）・複数の外部変数がある・非線形なパターンがある場合はLSTMが向いています。まずProphetで素早くベースラインを作り、精度向上が必要な場合にLSTMを試すという順序が実務的です。

よくある質問

「時系列予測でLightGBMは使えますか」という質問をよく受けます。ラグ特徴量（過去N期間の値）・ローリング統計量（移動平均・標準偏差）を特徴量として作成することで、LightGBMも時系列予測に使えます。Kaggleのコンペではこの「LightGBM+ラグ特徴量」アプローチが上位に入ることも多いです。「予測精度を評価する指標は何を使えばいいですか」という質問については、MAE（平均絶対誤差）またはRMSE（二乗平均平方根誤差）が一般的です。外れ値に強いMAE、外れ値に敏感なRMSEという特性を理解して選びましょう。