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）

黒点数（年次）

太陽黒点の年次観測値。約11年周期の実データ。

点数: 100 予測期間: 11 ヶ月評価ホールドアウト: 11 ヶ月単位: 指数

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)	47.83	40.24	191.78%	詳細を見る →
SARIMA	統計モデル	statsmodels (Python)	28.94	25.13	96.12%	詳細を見る →
SARIMAX	統計モデル	statsmodels (Python)	28.94	25.13	96.12%	詳細を見る →
Prophet	統計モデル	prophet (Meta)	50.58	43.13	454.30%	詳細を見る →
Holt-Winters	統計モデル	statsmodels (Python)	40.09	36.11	148.37%	詳細を見る →
AutoARIMA (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	36.81	33.10	175.57%	詳細を見る →
AutoETS (Nixtla)	統計モデル	statsforecast / Nixtla (Python)	41.34	37.29	163.21%	詳細を見る →
Chronos-Bolt	機械学習	chronos-forecasting / Amazon (Python)	39.72	37.29	232.45%	詳細を見る →
Neural Net (MLP)	機械学習	scikit-learn (Python)	27.03	18.76	277.55%	詳細を見る →
XGBoost	機械学習	xgboost (Python)	39.21	26.89	354.55%	詳細を見る →
LightGBM	機械学習	lightgbm (Python)	38.66	27.31	339.89%	詳細を見る →
Random Forest	機械学習	scikit-learn (Python)	30.53	21.39	250.64%	詳細を見る →

精度・書きやすさ・可読性の総合評価を見る →