sktimeを用いた時系列予測モデルの構築
KDNuggets
2026年6月19日 (金)
- •sktimeは時系列の予測、分類、回帰タスクに向けた統一されたPython APIを提供する。
- •HVACセンサーデータの補完、トレンド除去、季節性調整のためのパイプラインワークフロー機能を備える。
- •ExponentialSmoothingはMAE 0.584°Cを達成し、時系列スプリッターを用いた交差検証ではMAE 0.606°Cという結果を得た。
sktimeライブラリは、scikit-learn形式のAPIを用いた時系列分析用のPythonフレームワークである。予測、分類、回帰に対して一貫したインターフェースを提供し、時系列、パネル、階層型データ構造を扱うことができる。
90日分の時系列HVACセンサーデータを用いた予測ワークフローでは、temporal_train_test_split()を使用してデータの時系列的な分離を確保し、リークを防ぐ。TransformedTargetForecasterパイプラインは、Imputer、Detrender、Deseasonalizerコンポーネントを統合し、その後ExponentialSmoothingやARIMAといったモデルを適用する。
温度予測のテスト結果として、ExponentialSmoothingはMAE 0.584°C、MAPE 2.40%を記録し、ARIMAは0.586°Cであった。ExpandingWindowSplitterおよびSlidingWindowSplitterを用いた交差検証では、MAE 0.606°Cという精度が示された。