# Scientific Time Series Forecasting > ML 時系列予測スキル。Prophet/NeuralProphet・N-BEATS・ Temporal Fusion Transformer (TFT)・時系列特徴量エンジニアリング・ バックテスト・多段階予測・アンサンブル予測。 - Skill: `nahisaho/scientific-time-series-forecasting-2` (Agent Skill) - Install (CLI): `npx skillmds@latest add nahisaho/scientific-time-series-forecasting-2` - Raw SKILL.md: https://api.skillmd.com/api/skills/nahisaho/scientific-time-series-forecasting-2/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: AI & ML - Author: nahisaho (https://skillmd.com/u/nahisaho) - Updated: 2026-09-21 - Page: https://skillmd.com/skills/nahisaho/scientific-time-series-forecasting-2 --- # Scientific Time Series Forecasting 深層学習・ML ベースの時系列予測パイプラインを提供し、 Prophet から Transformer まで最新手法を網羅する。 ## When to Use - Prophet/NeuralProphet で季節性時系列を予測するとき - 深層学習 (N-BEATS/TFT) で高精度予測するとき - 時系列特徴量エンジニアリングでラグ・ローリング特徴を生成するとき - バックテストで予測性能を厳密に評価するとき - 複数モデルのアンサンブル予測をするとき - 多変量・多段階予測をするとき > **Note**: 古典時系列 (ARIMA/STL/FFT) は `scientific-time-series` を参照。 --- ## Quick Start ## 1. Prophet / NeuralProphet ```python import numpy as np import pandas as pd def prophet_forecast(df, date_col, value_col, periods=30, freq="D", yearly=True, weekly=True, changepoint_prior=0.05): """ Prophet 時系列予測。 Parameters: df: pd.DataFrame — 時系列データ date_col: str — 日付カラム value_col: str — 値カラム periods: int — 予測期間 freq: str — 頻度 ("D" / "H" / "M") yearly: bool — 年次季節性 weekly: bool — 週次季節性 changepoint_prior: float — 変化点感度 """ from prophet import Prophet prophet_df = df[[date_col, value_col]].rename( columns={date_col: "ds", value_col: "y"}) model = Prophet( yearly_seasonality=yearly, weekly_seasonality=weekly, changepoint_prior_scale=changepoint_prior) model.fit(prophet_df) future = model.make_future_dataframe(periods=periods, freq=freq) forecast = model.predict(future) # 評価 merged = forecast.merge(prophet_df, on="ds", how="left") valid = merged.dropna(subset=["y"]) mae = np.mean(np.abs(valid["y"] - valid["yhat"])) mape = np.mean(np.abs((valid["y"] - valid["yhat"]) / valid["y"])) * 100 fig1 = model.plot(forecast) fig1.savefig("prophet_forecast.png", dpi=150, bbox_inches="tight") fig2 = model.plot_components(forecast) fig2.savefig("prophet_components.png", dpi=150, bbox_inches="tight") print(f"Prophet: {periods} periods, MAE={mae:.4f}, MAPE={mape:.1f}%") return {"forecast": forecast, "model": model, "mae": mae, "mape": mape} def neuralprophet_forecast(df, date_col, value_col, periods=30, n_lags=60, n_forecasts=30): """ NeuralProphet 時系列予測 (AR-Net)。 Parameters: df: pd.DataFrame — 時系列データ date_col: str — 日付カラム value_col: str — 値カラム periods: int — 予測期間 n_lags: int — 自己回帰ラグ数 n_forecasts: int — 多段階予測ステップ """ from neuralprophet import NeuralProphet np_df = df[[date_col, value_col]].rename( columns={date_col: "ds", value_col: "y"}) model = NeuralProphet( n_lags=n_lags, n_forecasts=n_forecasts, yearly_seasonality=True, weekly_seasonality=True, learning_rate=0.01, epochs=100) metrics = model.fit(np_df, freq="D") future = model.make_future_dataframe(np_df, periods=periods, n_historic_predictions=True) forecast = model.predict(future) fig = model.plot(forecast) fig.savefig("neuralprophet_forecast.png", dpi=150, bbox_inches="tight") print(f"NeuralProphet: lags={n_lags}, forecasts={n_forecasts}") return {"forecast": forecast, "model": model, "metrics": metrics} ``` ## 2. 時系列特徴量エンジニアリング ```python def create_ts_features(df, date_col, value_col, lags=None, rolling_windows=None): """ 時系列特徴量エンジニアリング。 Parameters: df: pd.DataFrame — 時系列データ date_col: str — 日付カラム value_col: str — 値カラム lags: list[int] | None — ラグ特徴量 (e.g., [1,7,14,28]) rolling_windows: list[int] | None — ローリング窓 (e.g., [7,14,30]) """ if lags is None: lags = [1, 3, 7, 14, 28] if rolling_windows is None: rolling_windows = [7, 14, 30] result = df.copy() result[date_col] = pd.to_datetime(result[date_col]) result = result.sort_values(date_col) # カレンダー特徴量 result["dayofweek"] = result[date_col].dt.dayofweek result["dayofyear"] = result[date_col].dt.dayofyear result["month"] = result[date_col].dt.month result["quarter"] = result[date_col].dt.quarter result["is_weekend"] = (result[date_col].dt.dayofweek >= 5).astype(int) # 周期エンコーディング result["sin_day"] = np.sin(2 * np.pi * result["dayofyear"] / 365.25) result["cos_day"] = np.cos(2 * np.pi * result["dayofyear"] / 365.25) result["sin_week"] = np.sin(2 * np.pi * result["dayofweek"] / 7) result["cos_week"] = np.cos(2 * np.pi * result["dayofweek"] / 7) # ラグ特徴量 for lag in lags: result[f"lag_{lag}"] = result[value_col].shift(lag) # ローリング統計量 for window in rolling_windows: result[f"rolling_mean_{window}"] = result[value_col].rolling(window).mean() result[f"rolling_std_{window}"] = result[value_col].rolling(window).std() result[f"rolling_min_{window}"] = result[value_col].rolling(window).min() result[f"rolling_max_{window}"] = result[value_col].rolling(window).max() # 差分特徴量 result["diff_1"] = result[value_col].diff(1) result["diff_7"] = result[value_col].diff(7) n_features = len(result.columns) - len(df.columns) print(f"TS Features: {n_features} features created " f"(lags={lags}, windows={rolling_windows})") return result def ts_backtest(df, date_col, value_col, model_fn, n_splits=5, horizon=30, gap=0): """ 時系列バックテスト (Walk-forward validation)。 Parameters: df: pd.DataFrame — 時系列データ date_col: str — 日付カラム value_col: str — 値カラム model_fn: callable — モデル学習・予測関数 (train_df → forecast_df) n_splits: int — 分割数 horizon: int — 予測ホライズン gap: int — 学習-テスト間ギャップ """ from sklearn.metrics import mean_absolute_error, mean_squared_error sorted_df = df.sort_values(date_col).reset_index(drop=True) n = len(sorted_df) fold_size = (n - horizon) // n_splits results = [] for i in range(n_splits): train_end = fold_size * (i + 1) test_start = train_end + gap test_end = min(test_start + horizon, n) if test_end > n: break train_df = sorted_df.iloc[:train_end] test_df = sorted_df.iloc[test_start:test_end] forecast = model_fn(train_df) y_true = test_df[value_col].values[:len(forecast)] y_pred = forecast[:len(y_true)] mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) mape = np.mean(np.abs((y_true - y_pred) / (y_true + 1e-10))) * 100 results.append({ "fold": i, "train_size": train_end, "test_size": test_end - test_start, "mae": mae, "rmse": rmse, "mape": mape}) results_df = pd.DataFrame(results) print(f"Backtest ({n_splits} folds, h={horizon}): " f"MAE={results_df['mae'].mean():.4f} ± {results_df['mae'].std():.4f}") return results_df ``` --- ## パイプライン統合 ``` time-series → time-series-forecasting → model-monitoring (古典解析) (ML 予測) (監視) │ │ ↓ spectral-signal ────┘ anomaly-detection (周波数解析) (異常検知) ``` ## パイプライン出力 | ファイル | 説明 | 次スキル | |---------|------|---------| | `prophet_forecast.png` | Prophet 予測結果 | → presentation | | `ts_features.csv` | 時系列特徴量 | → ml-regression | | `backtest_results.csv` | バックテスト結果 | → model selection | ## ToolUniverse 連携 | TU Key | ツール名 | 連携内容 | |--------|---------|--------| | `biotools` | bio.tools | 時系列予測ツール検索 |