時系列データにおいて、1年、1週間、1日などの一定の周期で規則的に繰り返されるパターンの変動を指す。機械学習や統計分析を用いた時系列予測において、過去の周期性を捉えて将来の需要や変化を正確に推測するための重要な要素として扱われる。
季節変動とは
季節変動とは、時系列データの中で1年、1か月、1週間、24時間などの固定された一定周期で規則的に繰り返される変動パターンのことです。
詳しく解説
データ分析や機械学習における時系列データの分解では、データ全体を長期的な傾向である「トレンド」、周期的に繰り返される「季節変動」、そして不規則なブレである「残差」の3要素に分けて捉えることが一般的です。需要予測や異常検知を行う際、季節変動のパターンを正しくモデルに学習させなければ、通常の周期的な変化を異常値と誤認したり、予測精度が大幅に低下したりします。統計的手法ではSARIMAモデルのように周期性を組み込んだモデルが使われ、機械学習モデルでは月・曜日・時間帯などを表す特徴量エンジニアリングを行うことで、周期的な影響を明示的に学習させます。
具体例・使われ方
身近な例として、夏にアイスクリームやエアコンの売上が急増し、冬に暖房器具の需要が高まるような年間周期の変動があります。また、平日と休日でWebサイトのアクセス数が変わる週間周期や、昼間に電力消費が増えて夜間に減る日内周期の変動も、広義の季節変動として時系列予測モデルに組み込まれます。
似た用語との違い
「トレンド」は数か月から数年単位でデータ全体が一貫して上昇または下降する長期的な方向性を指すのに対し、季節変動は一定期間ごとに上がったり下がったりを繰り返す周期性です。また、数年から数十年規模の不規則な景気変動などを指す循環変動とも、周期の固定性や長さの点で区別されます。
注意点
カレンダー上の祝日（年によって日付が変わる移動祝日）や天候不良、閏年などの影響は、単純な固定周期の計算だけでは捉えきれない点に注意が必要です。また、社会情勢の急変や消費者の行動様式の変化によって過去の周期パターン自体が崩れる場合もあり、時系列予測モデルを運用する際は定期的な再学習やデータの監視が不可欠です。