役割と特徴

「予測モデルが、少なくとも『明日の値は今日と同じ』という予測よりはマシか？」という、モデルの存在価値を問うための重要なベンチマークとなります。

役割と特徴

電力価格のように強い週周期性があるデータでは、驚くほど良いベースラインとなり得ます。複雑なモデルがこの単純なロジックに勝てているかを確認する指標になります。

役割と特徴

データの背後にある構造（上昇傾向か、季節的な波があるかなど）を直感的に理解できます。多くの基本的な時系列パターンをうまく捉えることができます。

役割と特徴

データの持つ時間的な依存関係を厳密にモデル化しようと試みます。うまくハマれば非常に高い精度を出しますが、計算コストが高く、パラメータ調整が難しいという弱点も持ちます。

役割と特徴

特に、はっきりとしたトレンドを持つデータに対して、過学習しにくく安定した予測を出す傾向があります。M3コンペティションで高い性能を示し、その実力が証明されています。

役割と特徴

元のThetaモデルよりも多様なパターンのデータに対応できるようになり、AutoMLの武器としてさらに強力になっています。

役割と特徴

長期予測での安定性が強み。1ステップずつ予測するのではなく、目標時点を直接予測するため、長期予測でも誤差が蓄積しにくいという絶大なメリットがあります。

役割と特徴

短期予測の精度と柔軟性が強み。直近の情報をフル活用して次のステップを予測するため、短期的な変動を捉えるのが得意ですが、長期予測では誤差が蓄積するリスクがあります。

役割と特徴

「明日の価格は50円」という点予測だけでなく、「80%の確率で45円から55円の間になる」といった、リスク管理に不可欠な不確実性の情報を提供できます。

役割と特徴

Transformerの特性を活かし、非常に長い期間にわたるパターン（例：数ヶ月前の出来事が今日の価格に与える影響など）を捉えるのが得意です。

役割と特徴

TFTのような巨大モデルに匹敵する精度を、はるかに少ない計算コストと時間で達成することが報告されており、非常に実用的な選択肢です。

役割と特徴

現行最強クラスの性能と解釈性を両立した究極のモデルの一つ。しかし、その究極ゆえの繊細さが、環境依存のエラーを引き起こす原因ともなります。

役割と特徴

時系列の”ChatGPT”。大量のデータから「時間とは何か」という普遍的なパターンを学習済み。そのため、ゼロショット（追加学習なし）でもある程度の予測ができてしまいます。

役割と特徴

集合知の結晶。異なるアプローチを持つ複数のモデルを組み合わせることで、個々のモデルの弱点を互いに補い合い、より安定的で高精度な予測を実現します。リーダーボードで常にトップに君臨するのは、このアンサンブルの力によるものです。