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）

Ecoemon想定・電力＋気温湿度のみ

予測対象は電力(kW)、外生は気温・湿度のみ（約1年・30分）。holdout既定は7日分(336点)。実顧客データではない。スケジュール支配で気温の単独効果は弱い。

点数: 17520 予測期間: 48 ヶ月評価ホールドアウト: 336 ヶ月単位: kW

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)	69.69	57.05	54.29%	詳細を見る →
SARIMA	統計モデル	statsmodels (Python)	51.60	35.93	55.46%	詳細を見る →
SARIMAX	統計モデル	statsmodels (Python)	50.73	35.63	53.42%	詳細を見る →
Prophet	統計モデル	prophet (Meta)	66.77	56.71	57.75%	詳細を見る →
Holt-Winters	統計モデル	statsmodels (Python)	65.86	41.31	73.88%	詳細を見る →
AutoARIMA (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	61.23	41.71	72.48%	詳細を見る →
AutoETS (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	79.55	58.95	44.18%	詳細を見る →
Chronos-Bolt	機械学習	chronos-forecasting / Amazon (Python)	14.04	10.64	11.15%	詳細を見る →
Neural Net (MLP)	機械学習	scikit-learn (Python)	56.96	29.87	54.37%	詳細を見る →
XGBoost	機械学習	xgboost (Python)	56.00	30.02	52.59%	詳細を見る →
LightGBM	機械学習	lightgbm (Python)	8.06	6.20	6.94%	詳細を見る →
Random Forest	機械学習	scikit-learn (Python)	37.93	17.42	14.58%	詳細を見る →

精度・書きやすさ・可読性の総合評価を見る →