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。
Ecoemon想定・電力＋気温湿度（6時間＝1日4点）
30分計測を6時間平均に整形した体の合成データ（約17000行・約11.6年）。電力は気温・湿度の空調負荷で明確に動く。季節周期の目安: 日=4 / 週=28。実顧客データではない。
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) | 97.43 | 90.10 | 96.95% | 詳細を見る → |
| SARIMA | 統計モデル | statsmodels (Python) | 28.76 | 23.50 | 28.19% | 詳細を見る → |
| SARIMAX | 統計モデル | statsmodels (Python) | 28.73 | 23.33 | 28.49% | 詳細を見る → |
| Prophet | 統計モデル | prophet (Meta) | 84.60 | 67.62 | 61.21% | 詳細を見る → |
| Holt-Winters | 統計モデル | statsmodels (Python) | 27.27 | 20.52 | 22.97% | 詳細を見る → |
| AutoARIMA (Nixtla) | 統計モデル | statsforecast / Nixtla (Python) | 27.47 | 20.67 | 23.98% | 詳細を見る → |
| AutoETS (Nixtla) | 統計モデル | statsforecast / Nixtla (Python) | 51.53 | 40.51 | 29.08% | 詳細を見る → |
| Chronos-Bolt | 機械学習 | chronos-forecasting / Amazon (Python) | 20.48 | 15.42 | 13.18% | 詳細を見る → |
| Neural Net (MLP) | 機械学習 | scikit-learn (Python) | 23.64 | 17.12 | 12.53% | 詳細を見る → |
| XGBoost | 機械学習 | xgboost (Python) | 4.22 | 2.92 | 2.45% | 詳細を見る → |
| LightGBM | 機械学習 | lightgbm (Python) | 4.64 | 3.38 | 2.70% | 詳細を見る → |
| Random Forest | 機械学習 | scikit-learn (Python) | 5.67 | 3.80 | 3.33% | 詳細を見る → |