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）

ナイル川年間流量

1871–1970年のナイル川アスワン地点の年間流量。1898年頃に流量が段差的に減少する構造変化が有名なベンチマーク。統計モデルの変化点検出能力を見るのに適している。

点数: 100 予測期間: 10 ヶ月評価ホールドアウト: 10 ヶ月単位: 10億㎥

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)	142.73	117.95	13.66%	詳細を見る →
SARIMA	統計モデル	statsmodels (Python)	142.66	117.74	13.65%	詳細を見る →
SARIMAX	統計モデル	statsmodels (Python)	142.66	117.74	13.65%	詳細を見る →
Prophet	統計モデル	prophet (Meta)	161.67	126.91	13.55%	詳細を見る →
Holt-Winters	統計モデル	statsmodels (Python)	136.25	113.02	12.85%	詳細を見る →
AutoARIMA (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	142.64	117.56	13.64%	詳細を見る →
AutoETS (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	141.05	114.61	13.40%	詳細を見る →
Chronos-Bolt	機械学習	chronos-forecasting / Amazon (Python)	145.30	120.81	13.95%	詳細を見る →
Neural Net (MLP)	機械学習	scikit-learn (Python)	155.86	122.15	14.67%	詳細を見る →
XGBoost	機械学習	xgboost (Python)	124.42	103.78	12.45%	詳細を見る →
LightGBM	機械学習	lightgbm (Python)	155.97	128.87	15.45%	詳細を見る →
Random Forest	機械学習	scikit-learn (Python)	137.73	112.71	13.16%	詳細を見る →

精度・書きやすさ・可読性の総合評価を見る →