scientific-time-series-forecasting

name	scientific-time-series-forecasting
description	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。
tu_tools	[{"key":"biotools","name":"bio.tools","description":"時系列予測ツール検索"}]

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

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

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( * np.pi * result[] / )

    
     lag  lags:
        result[] = result[value_col].shift(lag)

    
     window  rolling_windows:
        result[] = result[value_col].rolling(window).mean()
        result[] = result[value_col].rolling(window).std()
        result[] = result[value_col].rolling(window).()
        result[] = result[value_col].rolling(window).()

    
    result[] = result[value_col].diff()
    result[] = result[value_col].diff()

    n_features = (result.columns) - (df.columns)
    (
          )
     result


 ():
    
     sklearn.metrics  mean_absolute_error, mean_squared_error

    sorted_df = df.sort_values(date_col).reset_index(drop=)
    n = (sorted_df)
    fold_size = (n - horizon) // n_splits

    results = []

     i  (n_splits):
        train_end = fold_size * (i + )
        test_start = train_end + gap
        test_end = (test_start + horizon, n)

         test_end > n:
            

        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[:(forecast)]
        y_pred = forecast[:(y_true)]

        mae = mean_absolute_error(y_true, y_pred)
        rmse = np.sqrt(mean_squared_error(y_true, y_pred))
        mape = np.mean(np.((y_true - y_pred) / (y_true + ))) * 

        results.append({
            : i, : train_end,
            : test_end - test_start,
            : mae, : rmse, : mape})

    results_df = pd.DataFrame(results)
    (
          )
     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