時系列予測モデル比較

実ライブラリ（statsmodels / Prophet / XGBoost / scikit-learn）で学習・予測した結果を比較します。精度指標はホールドアウト期間の実測値との誤差です。実線が実測値、破線が各モデルの予測値です。

データセット: 航空旅客数 (AirPassengers) 自動車販売台数大気CO2濃度 (Mauna Loa) 米国実質GDP オーストラリア居住人口黒点数（年次）シャンプー売上大気CO2（月次・全期間）大気CO2（週次）日次最低気温（Melbourne）電力負荷（時間次・1年）ナイル川年間流量オオヤマネコ毛皮取引数エルニーニョ海水温自動車販売（外生変数つき）電力負荷（価格・太陽光つき） Ecoemon想定・工場電力（30分） Ecoemon想定・電力＋気温湿度のみ Ecoemon想定・電力＋気温湿度（6時間＝1日4点） ColdWatch想定・冷凍庫温度（1分）みかん週次収量（単変量）みかん週次収量＋日射みかん週次収量＋日射・気温みかん週次収量＋日射・気温・カレンダーみかん週次（〜2023-06・次期収穫を将来に含む）

日次最低気温（Melbourne）

1981–1990年の日次最低気温（約3,650点）。大量点の古典ベンチマーク。

点数: 3650 予測期間: 30 ヶ月評価ホールドアウト: 60 ヶ月単位: ℃

全モデル比較チャート

モデル別メトリクス比較（ホールドアウト評価）

モデル	種別	ライブラリ	RMSE	MAE	MAPE
ARIMA	統計モデル	statsmodels (Python)	2.80	2.07	15.18%	詳細を見る →
SARIMA	統計モデル	statsmodels (Python)	2.91	2.23	17.54%	詳細を見る →
SARIMAX	統計モデル	statsmodels (Python)	2.91	2.23	17.54%	詳細を見る →
Prophet	統計モデル	prophet (Meta)	2.63	1.95	15.06%	詳細を見る →
Holt-Winters	統計モデル	statsmodels (Python)	3.00	2.45	20.39%	詳細を見る →
AutoARIMA (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	3.39	2.72	18.87%	詳細を見る →
AutoETS (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	3.07	2.52	20.98%	詳細を見る →
Chronos-Bolt	機械学習	chronos-forecasting / Amazon (Python)	2.69	2.10	16.60%	詳細を見る →
Neural Net (MLP)	機械学習	scikit-learn (Python)	3.76	3.29	27.69%	詳細を見る →
XGBoost	機械学習	xgboost (Python)	3.21	2.72	22.65%	詳細を見る →
LightGBM	機械学習	lightgbm (Python)	3.49	3.02	25.44%	詳細を見る →
Random Forest	機械学習	scikit-learn (Python)	2.84	2.25	18.47%	詳細を見る →

精度・書きやすさ・可読性の総合評価を見る →