「ARIMAで書いたコードを上司に見せたら、"なんでDL使わないの？"と言われた」
「逆に最新のTransformerを使ったら、シンプルな線形モデルに負けた」
時系列予測の学習でつまずきやすいのは、手法の仕組みを覚えることより、どの状況でどの手法を選ぶかという判断軸を持てないことだと感じています。「最新手法を使いこなすこと」が目的化してしまい、ビジネス課題との接点が見えなくなる——そういう経験が、このシリーズを書くきっかけでした。
全13回のシリーズ 「時系列予測の最前線」 を Zenn Books として公開しました。ARIMAのような統計手法から始まり、ML（GBDT）・DL（Prophet・N-HiTS・PatchTST・TimesNet）・Foundation Models・LLM・Diffusionモデルまで、「なぜその手法が生まれたか」という課題背景から体系的に積み上げる構成です。
このシリーズの設計方針
一貫して意識したのは、「手法から入るのではなく、課題・ニーズから入る」という学習の順序です。スコープはForecastingタスクに絞り（異常検知・分類は別テーマ）、軸ドメインは小売・ECの需要予測としています。各回の末尾には確認問題（答えつき）を掲載しているので、読んで終わりにならない設計にしました。
全13回は3つのフェーズで構成されています。
- 第1〜5回（基礎）：ビジネス課題の整理・データの性質の理解・手法の全体マップ
- 第6〜9回（手法詳解）：ARIMA・GBDT・DL系手法の系譜と、シンプルなモデルが勝つ条件
- 第10〜13回（最前線）：TimesNet・Foundation Models・LLM/Diffusionモデルと実務での位置づけ
目次
第1回｜このシリーズを読む前に：なぜ「手法から入る学習」では実務で使えないのか
シリーズ全体の学習思想と到達ゴールを示す導入回です。なぜForecastingにスコープを絞るのか、何ができれば「使える」状態といえるのかを最初に整理しています。
第2回｜時系列予測が必要なビジネス課題とは何か
需要予測・小売ECを軸に他ドメインも横断しながら、時系列予測が必要な課題と不要な課題を整理します。「課題設定を間違えると、どんな手法を使っても意味がない」という話です。
第3回｜時系列データの性質を理解する①：トレンド・季節性・周期性・ノイズ
トレンド・季節性・周期性・ノイズを、実務データの文脈で丁寧に解説します。「自分の言葉で説明できる」レベルを目指して書きました。
第4回｜時系列データの性質を理解する②：定常性・自己相関・外れ値・欠損
定常性・自己相関・外れ値・欠損が、データ品質と手法選択にどう影響するかを整理します。
第5回｜手法の全体マップ：どの状況でどの手法を選ぶか
統計・ML・DLの手法群を課題ベースで整理し、手法選択の判断軸を提示します。このシリーズの「地図」となる回です。
第6回｜統計的手法の課題とその限界：ARIMAはどこで詰まるか
ARIMAとSARIMAが解ける問題と解けない問題を背景から整理し、次の手法が必要になった理由を示します。
第7回｜MLで時系列を解くとはどういうことか：GBDTの発想と限界
GBDTを時系列に応用する発想・特徴量エンジニアリングの考え方とその限界を解説します。「なぜDLが必要になったか」への橋渡し回です。
第8回｜Deep Learningが時系列に持ち込んだもの：Prophet・N-HiTS・PatchTSTの系譜
DLベースの手法がどんな課題を解くために生まれたかを、系譜として解説します。各手法の「背景課題の違い」を明確にすることを意識しました。
第9回｜最新手法が常に最良ではない：シンプルなモデルが勝つ条件
Transformerより単純な線形モデルが勝つケースなどを踏まえ、実務での手法選択の意思決定フレームワークを完成させます。第5回の「地図」がここで一段深まります。
第10回｜TimesNet：時系列を2次元で見るという発想と最前線への橋渡し
時系列を2次元画像として変換して学習するTimesNetの設計思想を解説しつつ、最前線パートへの橋渡しとしてMLP系モデルの継続的競争力にも触れます。
第11回｜Foundation Modelsという新しいパラダイム：ゼロショット予測は実務で使えるか
NLP・CVでの文脈からFoundation Modelsを導入し、Chronos・Lag-Llama・TimeGPTの時系列予測への応用を解説します。懐疑的な研究も含めてフラットに評価し、実務適用の可能性を問います。
第12回｜LLMとDiffusionモデルの時系列予測への挑戦：確率的予測という新しい問い
LLMとDiffusionモデルをそれぞれ時系列以外での文脈・定義から導入します。数式に頼らずジュニアDSが理解できるレベルで解説し、確率的予測・不確実性定量化という新しい課題軸を提示します。
第13回｜時系列予測の現在地と今後の展望：今実務で何が使えるか
シリーズ全体を俯瞰し、現在の最前線を実務適用可能性の観点でまとめる集大成回です。「今実務で使える手法」と「研究段階の手法」の整理、確率的予測という新しい課題軸も含め、DSとしての意思決定の到達点を示します。
対象読者
| 読者層 | おすすめの回 |
|---|---|
| 時系列予測は学んでいるが実務での判断軸がない | 第1〜5回 |
| ARIMA・GBDT・DL系の違いを整理したい | 第6〜9回 |
| Foundation Models・LLMの時系列応用を追いたい | 第10〜13回 |
SALT2 について
私が所属する SALT2 は、生成AI・予測モデル・最適化を組み合わせたオーダーメイドAIソリューションを提供するAIスタートアップです。需要予測・在庫最適化・AI Agent開発などを手がけており、2025年10月よりブーストコンサルティング株式会社のグループ会社となっています。
データサイエンティスト・エンジニアの採用、およびインターンを随時募集しています。ご興味のある方はお気軽にご連絡ください。
Discussion