最終更新日:2026年9月23日
gk rnn time_series
まず結論
LSTMは、ARIMAのように定常性を明示的なモデル前提として要求するわけではありません。
しかし、
LSTMなら非定常データへ自動的に対応できる
という意味ではありません。
G検定では、
- 統計モデルの前提
- ニューラルネットワークの学習
- 分布変化・概念ドリフト
を分けて考えます。
直感的な説明
LSTMは、入力された系列から非線形なパターンを学べます。
そのため、トレンドや季節性を含む系列を必ず差分して定常化しなければ使えないわけではありません。
一方、学習後にデータの生成過程そのものが大きく変われば、過去に学習したパターンが通用しなくなることがあります。
定義・仕組み
ARIMAと定常性
ARIMAのARMA部分では定常性が重要で、非定常な系列には差分(I:Integrated)を使って定常化を図ります。
したがって、
ARIMAは非定常データを扱えない
という表現も強すぎます。
差分によって非定常系列を扱う枠組みがARIMAです。
LSTM
LSTMはセル状態とゲートを使う非線形系列モデルです。
定常性を数理的前提として置かずにデータからパターンを学習できます。
ただし、
- 将来に未知のレジーム変化が起こる
- 学習時と推論時で分布が変わる
- トレンドが大きく外挿される
場合に性能が保たれる保証はありません。
いつ使う?(得意・不得意)
LSTMを時系列へ使う場合でも、
- スケーリング
- トレンド・季節性の把握
- 学習期間の選択
- 時系列分割での検証
- 分布変化の監視
などは重要です。
「深層学習なら前処理不要」と考えないようにします。
G検定ひっかけポイント
LSTM=定常化不要?
❌ どんな非定常系列でも前処理・検証不要
⭕ 定常性を必須前提にはしないが、分布変化への対処は別問題
ARIMA=非定常を扱えない?
❌ 定常データしか入力できない
⭕ 差分を使って非定常系列を扱う
概念ドリフト
学習時と将来で関係が変わる問題は、単なる「定常性」だけではなく分布変化・概念ドリフトとして考える必要があります。
まとめ(試験直前用)
- LSTMは定常性を明示的前提にしない
- だからといって非定常に万能ではない
- ARIMAは差分で非定常系列へ対応
- 分布変化・概念ドリフトは別論点
- 深層学習でも検証・前処理は必要
- 「前提不要」と「自動対応」を混同しない