Python の sktime を用いた時系列機械学習モデルの構築方法

image**

# イントロダクション

センサーの読み取り値、サーバーのメトリクス、または時間経過とともに到着するデータを取り扱う場合、標準的な scikit-learn パイプラインが必ずしも適していないことをすでにご存じでしょう。時系列データには、表形式モデルが無視してしまう構造があります：季節性、トレンド、時間的順序、そして将来の値が過去の値に依存するという事実です。

sktime は、このために特別に構築された Python ライブラリです。fit（学習）、predict（予測）、transform（変換）という scikit-learn 風の API を提供しますが、時系列のために最初から設計されています。時系列データに対する予測、分類、回帰、クラスタリングをすべて一貫したインターフェースで実行できます。

この記事では、産業用 HVAC センサーからの温度読み取り値の予測という例題に取り組みます。sktime が時系列データをどのように処理するか、前処理パイプラインをどのように構築するか、予測モデル（forecasters）をどのように学習させるか、そしてそれらをどのように評価するかを学びます。

コードは GitHub で入手できます。

# 前提条件

**

Python 3.10 Python 3.10 以上と、pandas の基本的な知識が必要です。必要なものはすべて以下のようにインストールしてください：

pip install sktime pmdarima statsmodels

すべてのオプション依存関係を一度に入手したい場合は、pip install sktime[all_extras] で対応可能です。

sktime が有用である理由

sktime が解決しようとしている問題を理解することが役立ちます。scikit-learn では、データは 2 次元の表（2D table）として扱われ、行がサンプル、列が特徴量となります。しかし、時系列データはこの前提を崩します。なぜなら、各行は実際には時間経過に伴う値の連続であり、これらの値の順序が重要だからです。

主に使用するデータコンテナは以下の通りです：

データ型 | 表現形式 | 説明

---|---|---

Series (時系列) | pd.Series または pd.DataFrame | バニラな予測（vanilla forecasting）で用いられる単一の時系列。

Panel (パネル) | 2 レベルの MultiIndex を持つ pd.DataFrame | 複数の独立した時系列の集合体。

Hierarchical (階層型) | 3 つ以上のレベルを持つ MultiIndex の pd.DataFrame | 多次元全体に集計レベルを設けた、構造化された時系列のセット。

インデックス自体については、sktime は pandas オブジェクト上で DatetimeIndex、PeriodIndex、Int64Index、RangeIndex をサポートしています。インデックスは単調である必要があります。DatetimeIndex を使用する場合は、freq 属性を設定しておくべきです。

データセットの準備

それでは、現実的なデータセットを作成しましょう。工場の HVAC センサーが毎時温度を記録している状況を想像してください。この読み取り値には、作業時間中に高くなるという日次季節パターン、夏季によるわずかな上昇トレンド、そしてノイズが含まれています。

import numpy as np

import pandas as pd

np.random.seed(42)

2026 年 1 月 1 日から始まる 90 日間の毎時読み取り値

n_hours = 90 * 24

timestamps = pd.date_range(start="2026-01-01", periods=n_hours, freq="h")

Trend: gradual 5-degree rise over 90 days

trend = np.linspace(0, 5, n_hours)

Daily seasonality: temperature peaks at 2pm, dips at 4am

hour_of_day = np.arange(n_hours) % 24

daily_cycle = 4 * np.sin(2 * np.pi * (hour_of_day - 4) / 24)

Noise

noise = np.random.normal(0, 0.8, n_hours)

Base temperature around 20°C

temperature = 20 + trend + daily_cycle + noise

Introduce a few missing values (sensor dropout)

dropout_indices = [300, 301, 302, 1440, 1441]

temperature[dropout_indices] = np.nan

y = pd.Series(temperature, index=timestamps, name="temp_celsius")

y.index.freq = pd.tseries.frequencies.to_offset("h")

print(y.head())

print(f"\nShape: {y.shape}")

print(f"Missing values: {y.isna().sum()}")

print(f"Index type: {type(y.index)}")

Output:

2026-01-01 00:00:00 16.933270

2026-01-01 01:00:00 17.063277

2026-01-01 02:00:00 18.522783

2026-01-01 03:00:00 20.190095

2026-01-01 04:00:00 19.821941

Freq: h, Name: temp_celsius, dtype: float64

Shape: (2160,)

Missing values: 5

Index type:

# Splitting Time Series Data for Training and Testing

Splitting time series data is different from tabular data — you can't shuffle rows. You must always split chronologically: train on earlier data, test on later data.

sktime provides temporal_train_test_split for this purpose:

from sktime.split import temporal_train_test_split

最後の7日（168時間）をテストセットとして保持する

y_train, y_test = temporal_train_test_split(y, test_size=168)

print(f"Train: {y_train.index[0]} → {y_train.index[-1]}")

print(f"Test: {y_test.index[0]} → {y_test.index[-1]}")

print(f"Train size: {len(y_train)}, Test size: {len(y_test)}")

出力:

Train: 2026-01-01 00:00:00 → 2026-03-24 23:00:00

Test: 2026-03-25 00:00:00 → 2026-03-31 23:00:00

Train size: 1992, Test size: 168

この関数は、分割が明確で時系列順であることを保証し、未来からのデータリーク（data leakage）がトレーニングセットに混入しないようにします。

# 予測ホライズンの定義

任意のモデルをフィットさせる前に、sktime にどの時間ステップを予測したいかを指示する必要があります。これが ForecastingHorizon です。

from sktime.forecasting.base import ForecastingHorizon

168 ステップ先（7日分の時間データ）を予測する

is_relative=False は、絶対時刻を使用していることを意味します

fh = ForecastingHorizon(y_test.index, is_relative=False)

print(f"Horizon length: {len(fh)}")

print(f"First forecast point: {fh[0]}")

print(f"Last forecast point: {fh[-1]}")

これにより以下が得られます:

Horizon length: 168

First forecast point: 2026-03-25 00:00:00

Last forecast point: 2026-03-31 23:00:00

fh = [1, 2, 3, ..., 168] のように相対的な予測期間（relative horizons）を使用することもできます。これは「1 ステップ先、2 ステップ先、…」を意味します。予測したい実際のタイムスタンプがある場合は、絶対的な予測期間（absolute horizons）の方がより明確です。

# 前処理と予測パイプラインの構築

実際のセンサーデータには欠損値や季節パターン、トレンドが含まれており、これらは予測の前または最中にすべて処理する必要があります。sktime の TransformedTargetForecaster を使用すると、変換と予測器を単一の推定量（estimator）として連結できます。変換は、学習前に対象時系列 y に適用され、予測時に自動的に逆変換されます。

from sktime.forecasting.exp_smoothing import ExponentialSmoothing

from sktime.forecasting.compose import TransformedTargetForecaster

from sktime.transformations.series.impute import Imputer

from sktime.transformations.series.detrend import Deseasonalizer, Detrender

pipeline = TransformedTargetForecaster(

steps=[

# Step 1: Fill missing sensor readings using linear interpolation

("imputer", Imputer(method="linear")),

# Step 2: Remove the linear trend so the forecaster sees a stationary series

("detrender", Detrender()),

# Step 3: Remove the daily seasonality (sp=24 for hourly data with 24-hour cycles)

("deseasonalizer", Deseasonalizer(model="additive", sp=24)),

# Step 4: Forecast the cleaned, stationary residuals

("forecaster", ExponentialSmoothing(trend=None, seasonal=None)),

]

)

pipeline.fit(y_train, fh=fh)

y_pred = pipeline.predict()

print(y_pred.head())

Output:

2026-03-25 00:00:00 21.210066

2026-03-25 01:00:00 21.788986

2026-03-25 02:00:00 22.615184

2026-03-25 03:00:00 23.688449

2026-03-25 04:00:00 24.621127

Freq: h, Name: temp_celsius, dtype: float64

Here's what each step does:

• Imputer(method="linear") fills missing values by linearly interpolating between the surrounding readings, which works well for sensor data.

• Detrender() fits a linear trend to the training series and subtracts it; on prediction it adds the trend back.

• Deseasonalizer(sp=24) removes the 24-hour cycle from the residuals; sp stands for seasonal period.

• Finally, ExponentialSmoothing forecasts the detrended, deseasonalized residuals.

• predict() が呼び出されると、すべての逆変換が自動的に逆順に適用され、元の温度スケールでの予測値が得られます。

# 予測の評価

sktime は 標準的な評価指標 と統合されています。予測においては、平均絶対誤差 (MAE: Mean Absolute Error) と平均絶対パーセント誤差 (MAPE: Mean Absolute Percentage Error) が一般的な選択肢です。

from sktime.performance_metrics.forecasting import (

mean_absolute_error,

mean_absolute_percentage_error,

)

mae = mean_absolute_error(y_test, y_pred)

mape = mean_absolute_percentage_error(y_test, y_pred)

print(f"MAE: {mae:.3f} °C")

print(f"MAPE: {mape*100:.2f}%")

出力:

MAE: 0.584 °C

MAPE: 2.40%

# 異なる予測器への差し替え

sktime のインターフェースの最大の利点の一つは、基盤となるアルゴリズムを差し替える際に、変更が必要なのはたった一行だけであることです。ここでは指数平滑化の代わりに ARIMA モデルを試して比較してみましょう。

from sktime.forecasting.arima import ARIMA

pipeline_arima = TransformedTargetForecaster(

steps=[

("imputer", Imputer(method="linear")),

("detrender", Detrender()),

("deseasonalizer", Deseasonalizer(model="additive", sp=24)),

# 洗浄された残差に対する ARIMA(1,1,1)

("forecaster", ARIMA(order=(1, 1, 1), suppress_warnings=True)),

]

)

pipeline_arima.fit(y_train, fh=fh)

y_pred_arima = pipeline_arima.predict()

mae_arima = mean_absolute_error(y_test, y_pred_arima)

mape_arima = mean_absolute_percentage_error(y_test, y_pred_arima)

print(f"ARIMA MAE: {mae_arima:.3f} °C")

print(f"ARIMA MAPE: {mape_arima*100:.2f}%")

Output:

ARIMA MAE: 0.586 °C

ARIMA MAPE: 2.41%

重要な点は、前処理のステップ（欠損値補完、トレンド除去、季節性除去）がすべて同一であったことです。最終的な予測器を変更しただけで、それ以外の部分はすべてきれいに組み合わさっています。

# 時間軸に沿った交差検証

単一のテストウィンドウを除外するだけでは誤解を招く可能性があります。sktime は、時系列順序を尊重するスプリッターを通じて時系列の交差検証を提供します。

SlidingWindowSplitter はローリングウィンドウを使用し、トレーニングウィンドウは時間軸に沿って前方にスライドしますが、常に同じ長さになります。ExpandingWindowSplitter は、前方に進むにつれてトレーニングセットを累積的に拡張するため、利用可能な履歴をすべて使用したい場合により適切です。

from sktime.split import ExpandingWindowSplitter

from sktime.forecasting.model_evaluation import evaluate

拡張ウィンドウ：1800 時間のトレーニングセットから開始し、168 時間のウィンドウで評価

cv = ExpandingWindowSplitter(

initial_window=1800,

fh=list(range(1, 169)),

step_length=168,

)

results = evaluate(

forecaster=pipeline,

y=y,

cv=cv,

scoring=mean_absolute_error,

return_data=False,

)

print(results[["test__DynamicForecastingErrorMetric", "fit_time"]].round(3))

print(f"\nMean CV MAE: {results['test__DynamicForecastingErrorMetric'].mean():.3f} °C")

Output:

test__DynamicForecastingErrorMetric fit_time

0 0.627 0.274

1 0.585 0.100

Mean CV MAE: 0.606 °C

evaluate は、各フォールドごとの指標と所要時間を示す DataFrame を返します。交差検証による平均絶対誤差 (MAE: Mean Absolute Error) の結果は、モデルがデータ内の異なる時間ウィンドウにわたって一貫して一般化できることを確認するものです。

# 次のステップ

本記事では sktime における基本的な予測ワークフローの核心を解説しましたが、このライブラリは単純な予測タスクを超えて多岐にわたる機能を提供しています。

また、時系列分類、不確実性推定を伴う 確率的予測、複数の関連する時系列にわたる共有モデルのトレーニング、逐次予測向けに従来の機械学習アルゴリズムを適応させる手法、そして モデル選択とチューニングワークフローの自動化 などの機能もサポートしています。

sktime の最大の強みの一つは、その一貫した API とより広範な Python 機械学習エコシステムとの統合であり、これは初心者から経験豊富な実践者までを問わず、実験を容易にします。sktime ドキュメント や 例題ノートブック は特に非常に良く書かれており、予測や時系列データの問題を頻繁に取り扱う場合は、ぜひブックマークしておく価値があります。

Bala Priya C はインド出身の開発者かつ技術ライターです。数学、プログラミング、データサイエンス、コンテンツ作成が交差する領域での作業を好んでいます。彼女の興味分野および専門知識には、DevOps、データサイエンス、自然言語処理が含まれます。読書、執筆、コーディング、そしてコーヒーを楽しむのが好きです。現在、チュートリアル、ハウツーガイド、意見記事などを執筆することで、開発者コミュニティに知識を共有し、学習に取り組んでいます。また、魅力的なリソースの概要やコーディングチュートリアルも作成しています。