【要約】電力価格予測に挑戦！その２：ARIMAとSARIMAXで時系列予測の仕組みを掴む [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
電力価格予測を行うエンジニアは、JEPXの複雑な価格変動を正確に捉えることに苦慮している。価格は単なる過去の推移だけでなく、複数の周期性と外部要因が絡み合うためである。
- ・価格には日次、週次、年次の強い周期性が存在する。
- ・天候（気温・日射量）が価格を大きく変動させる要因となる。
- ・単純なARIMAモデルでは、日次のリズムを無視して予測が平均値へ収束してしまう。
// Approach
予測精度を段階的に高めるため、統計モデルを順次高度化するアプローチを採用した。各ステップで前のモデルの弱点を補完していく。
- ・Seasonal Naiveを用いて、予測の基準となる誤差（Baseline）を算出する。
- ・ARIMAにより、直近の価格と予測誤差を用いた自己回帰を行う。
- ・SARIMAを導入し、24時間周期（ラグ48）の季節性をモデルに組み込む。
- ・SARIMAXを用い、カレンダー情報や天候などの外生変数を追加する。
// Result
モデルの高度化により、予測精度を劇的に改善することに成功した。特にドメイン知識に基づいた変数の導入が、定量的な成果に直結した。
- ・SARIMAXに天候情報を加えることで、MAEを3.09から1.86へ約40%削減した。
- ・日射量の増加が価格を押し下げるという、物理現象に即した係数を得た。
- ・SARIMAの導入により、予測値が日次の二峰型パターンをなぞるようになった。
Senior Engineer Insight
> 実務への投入にあたっては、モデルの解釈性と計算コストのバランスを厳格に評価すべきだ。本記事のSARIMAXは、天候の影響を係数で示せる点で運用上の信頼性が高い。しかし、季節周期が長い場合の学習コスト増大や、線形モデルによる非線形性の捕捉漏れは無視できない。特徴量を闇雲に増やすのではなく、ドメイン知識に基づき「効く変数」を厳選する姿勢が、計算リソースの最適化と精度向上の両立に不可欠である。