時系列予測とは？過去のデータから未来を読む基礎をやさしく図解

「来月の売上はどれくらい？」「来週の来客数は？」——ビジネスでは、過去のデータから未来を見通したい場面が山ほどあります。そのための分析が時系列予測です。

時系列予測は、時間とともに変化してきたデータの“クセ”を読み取って、その先を予測すること。むずかしそうに聞こえますが、考え方の芯はとてもシンプルです。この連載の第1回として、まずは時系列予測の全体像を、図でやさしくつかんでいきましょう。

時系列予測は、回帰分析と並ぶ「予測」の大きな柱です。回帰が「項目どうしの関係」から予測するのに対し、時系列は「時間の流れ」から予測します。あわせて読むと理解が深まります。

ルミィ

過去の折れ線グラフをじーっと見て、その先を延ばす。時系列予測の気持ちは、ほんとうにこれだけだよ。

時系列データとは？

まず時系列データとは、時間の順番に並んだデータのことです。身近な例で言えば、こんなものすべてが時系列データです。

• 毎日の売上——1日、2日、3日…と日付順に並ぶ
• 毎月の来客数——1月、2月、3月…の推移
• 毎時の気温／毎分の株価／毎年の人口

ポイントは、「並び順（時間）」に意味があること。データを並べ替えてしまうと、意味が失われます。ここが、ふつうの表データとの大きな違いです。

時系列予測とは？｜過去のパターンを未来へ延ばす

時系列予測は、この時系列データの過去の動きから、未来の値を予測することです。図のように、これまでの折れ線（実績）を見て、その先を延ばす——直感的にはこれが時系列予測です。

もちろん、ただ線を真っすぐ延ばすだけではありません。データに隠れた「上がり下がりのクセ」を読み取って、それを未来にあてはめます。そのクセを理解するために、時系列データを“3つの要素”に分けて考えるのが定番です。

時系列の3要素｜トレンド・季節性・不規則変動

時系列データは、たいてい次の3つが混ざってできています。これを分けて考えると、ぐっと見通しがよくなります。

• トレンド（傾向）——長期的な上がり下がりの傾き。例：年々売上が伸びている
• 季節性（周期）——一定の周期でくり返すパターン。例：毎年12月に売上が跳ねる、週末に来客が増える
• 不規則変動（ノイズ）——上の2つで説明できない、偶然のブレ

図でいうと、全体の右肩上がりがトレンド、周期的な波が季節性、こまかいギザギザが不規則変動です。時系列予測の多くは、「トレンドと季節性をつかんで未来へ延ばし、ノイズは諦める」という考え方でできています。

ふつうの回帰と何が違う？

「未来を予測するなら、回帰分析でもいいのでは？」と思うかもしれません。実は、時系列予測ならではの“難しさ”があります。

いちばんの違いは、データに順番があり、隣どうしが影響し合っていること。今日の売上は、昨日の売上と無関係ではありません（これを自己相関といいます）。ふつうの回帰は「各データはバラバラ・独立」を前提にすることが多いので、時間のつながりをそのままでは扱えないのです。

だから時系列予測には、時間の順序やくり返しを正面から扱う専用の手法が発達しました。次に、その代表を見てみましょう。

代表的な予測方法

時系列予測には、シンプルなものから高度なものまで、いろいろな方法があります。

• 移動平均——直近いくつかの平均でならし、傾向をつかむ。いちばん手軽
• 指数平滑法——最近のデータほど重視して平均する。移動平均の発展形
• ARIMA——過去の値と誤差から予測する、統計の定番モデル（連載第3回で解説）
• Prophet——Meta社が公開した、季節性に強い使いやすいツール
• 機械学習・ディープラーニング——大量データや複雑なパターンに（LSTMなど）

うれしいことに、移動平均や指数平滑、予測シートはExcelだけでも実践できます。次回のExcelで時系列予測で、手を動かしながら試します。

予測の精度と限界

便利な時系列予測ですが、万能ではありません。知っておきたい限界が3つあります。

• 突発的な出来事は読めない——災害、流行、急な制度変更など、過去にないことは予測できない
• 遠い未来ほど不確か——少し先は当たりやすいが、ずっと先は誤差が大きくなる
• “予測の幅”を意識する——「来月は100±20」のように、当たり外れの幅（予測区間）も見るのが大切

図の予測部分が、先にいくほど“幅（影の部分）”が広がっているのは、このためです。1本の予測値を鵜呑みにせず、幅をもって見る——これが、時系列予測と上手につき合うコツです。

もう一つ、心に留めたいことがあります。予測は『こうあってほしい』という願望とは別物だ、ということです。「売上が伸びてほしい」という気持ちが、つい予測を甘くしてしまう——これは現場でよくある罠です。データが示すクセを、希望的観測でゆがめない。冷静にデータと向き合う姿勢こそが、予測の質を支えます。

何に使われている？

時系列予測は、ビジネスのあらゆる場面で使われています。

• 需要予測・在庫管理——売れる量を予測して、仕入れや在庫を最適化
• 人員・シフト計画——来客数を予測して、必要なスタッフ数を決める
• 売上・予算計画——来期の売上を見込んで計画を立てる
• 設備・電力需要——使用量を予測して、供給やメンテを計画

「未来が少しでも見えれば、今の意思決定が変わる」——時系列予測は、その“少し先の地図”を描く道具なのです。

もう少し詳しく｜“自己相関”という主役

時系列予測を支える、いちばん大事な性質が自己相関です。これは、過去の自分の値と、今の値が相関している（似ている）こと。先ほど少し触れた考え方を、もう一歩だけ深めてみましょう。

たとえばアイスの売上は、毎年夏に高く冬に低い——つまり「1年前の値」と「今の値」がよく似ています。これが季節性の正体で、自己相関の一種です。「何日前（何か月前）の値が、いまにいちばん効いているか」を調べれば、データの周期やクセが見えてくるのです。時系列の手法は、どれもこの自己相関をうまく利用しています。

予測の“当たり外れ”はどう測る？

予測モデルを作ったら、「で、どれくらい当たるの？」を確かめたくなります。時系列予測では、こんな方法で精度をチェックします。

• 過去で答え合わせ（ホールドアウト）——直近の期間をいったん隠して予測し、隠した実測値と比べる
• MAE（平均絶対誤差）——予測と実測のズレの大きさを平均したもの。小さいほど良い
• RMSE——大きな外れをより重く見る誤差。「たまの大外れ」を嫌うときに使う

考え方は、回帰など他の予測の評価と同じです。詳しくはモデルの評価指標もどうぞ。大切なのは、**作って終わりにせず「過去のデータで答え合わせをする」**習慣です。

予測を始める前に｜データの準備

良い予測は、良いデータから。分析の前に、次の点をチェックしておくと失敗が減ります。

• 等間隔に並べる——毎日・毎月など、時間の間隔をそろえる
• 十分な期間をためる——季節性を読むなら、最低でも2周期分（毎月データなら約2年分）
• 欠損と外れ値を確認——抜けは埋め、セールなど一度きりの異常値には注意する

「きれいに並んだ、ある程度の量の時系列」さえ用意できれば、あとは手法に乗せるだけ。準備が8割、と言ってもいいくらいです。派手な手法に飛びつく前に、まずは自分のデータをていねいに整える——それだけで、予測の精度はぐっと上がります。

まとめ

時系列予測とは、時間順に並んだデータの過去の動きから、未来を予測することです。データはトレンド（傾き）・季節性（周期）・不規則変動（ノイズ）でできていて、読み取れるトレンドと季節性を未来へ延ばすのが基本の考え方でした。

売上、来客、在庫、電力——私たちのまわりには、時間とともに動くデータがあふれています。その動きには、たいてい『傾き（トレンド）』と『くり返し（季節性）』というクセが隠れています。専門的な手法はいろいろありますが、根っこにあるのは『過去のクセは、しばらく続く』というシンプルな前提です。だからこそ、突発的な出来事には弱い——その限界も含めて理解しておくことが、予測を使いこなす第一歩になります。

次回は、この考え方を、いちばん身近なExcelで実際に動かしてみます。難しい準備は要りません。手元の売上データさえあれば、あなたも今日から“少し先の地図”を描けるようになります。

今日の値が昨日の値とつながっている（自己相関）ため、ふつうの回帰とは別の専用手法が使われます。突発事象は読めない、遠い未来ほど不確か、という限界を踏まえ、“予測の幅”をもって見るのが大切。次回は、その時系列予測を、専門ツールなしのExcelだけで実践してみます。

よくある質問（FAQ）

時系列予測とは何ですか？

A. 売上や来客数のように時間の順番に並んだデータ（時系列データ）の過去の動きから、未来の値を予測することです。過去の上がり下がりのクセを読み取り、その先へ延ばす分析です。

時系列データとは何ですか？

A. 時間の順番に並んだデータのことです。毎日の売上、毎月の来客数、毎時の気温などが該当します。並び順（時間）そのものに意味があり、並べ替えると意味が失われる点が、ふつうの表データと違います。

トレンドと季節性とは何ですか？

A. トレンドは長期的な上がり下がりの傾き（例：年々売上が伸びる）、季節性は一定の周期でくり返すパターン（例：毎年12月に売上が跳ねる）です。時系列予測は、この2つを読み取って未来へ延ばすのが基本です。

時系列予測とふつうの回帰分析は何が違いますか？

A. 回帰は項目どうしの関係から予測し、各データは独立と考えます。時系列予測は時間の順序を扱い、今日の値が昨日の値と影響し合う（自己相関）ことを前提にします。そのため時間のつながりを正面から扱う専用手法が使われます。

時系列予測の代表的な方法は何ですか？

A. 手軽な移動平均、最近を重視する指数平滑法、統計の定番ARIMA、季節性に強いProphet、複雑なパターン向けの機械学習（LSTMなど）があります。移動平均や指数平滑、予測シートはExcelだけでも実践できます。

時系列予測はどこまで当たりますか？

A. 突発的な出来事（災害や急な流行）は予測できず、遠い未来ほど誤差が大きくなります。だからこそ1本の予測値を鵜呑みにせず、「来月は100±20」のような予測の幅（予測区間）をもって見ることが大切です。

時系列予測は何に使われますか？

A. 需要予測や在庫管理、来客数にもとづく人員・シフト計画、売上・予算計画、電力など設備需要の見込みに使われます。少し先が見えることで、今の意思決定の質が上がります。

あわせて読みたい

参考・一次ソース

• IBM「What is time series forecasting?」（ibm.com）
• 総務省統計局「時系列データの分析」（stat.go.jp）

※本記事は2026年6月時点の一般的な考え方を初心者向けに整理したものです。Excelの機能名やボタン位置はバージョンにより異なる場合があります。投資判断などは自己責任でお願いします。

ルミィ

AIナビゲーター

YouTube

ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。