需要予測・時系列予測を学ぶ書籍ガイド｜LLMでは当たらない領域を業務・実装・構造・検証の4段階で固める4冊

チャットに過去24か月の売上をCSVで貼り付けて「来月を予測して」と頼むと、それらしい数字が返ってきます。問題は、その数字が当たっているかどうかを判定する手段が、依頼した側に何もないことです。同じデータをもう一度貼れば違う数字が出ますし、なぜその値になったのかも説明できません。時系列予測は、文章を書かせるのとは別系統の道具で、必要な土台も別にあります。しかも2026年8月末には、時系列専用の基盤モデルがゼロショットで多変量予測をこなす段階に入りました。道具が手軽になったぶん、当たっているかを判断する側の力量が、そのまま結果の質になります。この記事では、需要予測・時系列予測を学び直すための実在の日本語書籍を4冊、業務の言葉・実装・構造・検証運用という段階順に紹介します。なお本記事は書籍紹介であり広告を含みます。価格・版・在庫・目次は変わるため、最新は各公式・書誌ページでご確認ください。

「予測して」と頼んだ数字を、誰も検証していない#

需要予測をAIに任せたい、という相談で実際に起きていることは、だいたい次の形に集約されます。

• チャットに数値を貼って予測させたが、当たったかどうかを後から確認していない。予測値だけがスプレッドシートに残っている
• 同じデータで再度頼むと違う数字が出る。どちらが正しいのか判断できず、結局は担当者の感覚で丸めている
• 外れたときに、モデルが悪いのか、入力データが悪いのか、そもそも予測できない事象だったのかを切り分けられない
• 精度をMAPEで測ろうとしたが、売上ゼロの日や品目が混ざっていて数値が発散した
• 過去データ全体で学習して、その過去データで精度を測っていた。将来の情報が学習に混ざっていることに気づいていない

最後の2つは、モデルを変えても直りません。効くのは、何を予測すべきかを業務の言葉で定義する力、データを時系列として扱う実装、予測の構造を説明できる知識、そして検証の設計です。いずれも変化の緩やかな領域で、モデルの世代が変わっても持ち越せます。

時系列基盤モデルが変えたこと、変えていないこと#

前提を最新の状態にしておきます。Google Researchは2026年8月31日に、時系列基盤モデルの新世代としてTimesFM-3を公開しました。公式ブログによると、パラメータ数は3億3000万、実データと合成データからなる1兆を超えるタイムポイントで事前学習されています。TimesFM-2.5までは単変量の予測に限られていましたが、TimesFM-3は多変量予測をネイティブに事前学習しており、複数のターゲット系列の同時予測、過去のみ既知の共変量、そして将来値が既知の共変量(販促スケジュールや天気予報など)に対応します。予測はパッチを1つずつ生成するのではなく、単一のフォワードパスで予測期間全体を埋める方式に変わり、各ターゲット・各ステップについて10パーセンタイルから90パーセンタイルまでの9分位点を出力します。同ブログは、Gift-Eval・FEV-Bench・Timeの3ベンチマークで、点予測と確率予測の両方の指標において事前学習済み基盤モデルの中で最上位だったと述べています。

ここで押さえておきたいのは、これがLLMとは別系列のモデルだという点です。学習しているコーパスが時系列そのもので、出力も分位点の集合です。チャットに数値を貼って言葉で返してもらう使い方とは、設計思想からして違います。

変わっていないのは、前処理と検証です。共変量として販促カレンダーを渡すなら、その粒度とタイムスタンプを揃える作業は人間の側に残ります。ゼロショットで動くということは、当てはめ作業が減るだけで、当たっているかを測る作業が減るわけではありません。むしろ、学習の手間が消えたぶん、検証の設計だけが土台として残ります。

時系列基盤モデルそのものの詳細、ベンチマークの読み方、そして商用で使うなら何を選ぶかは別記事にまとめました。この記事は、それを使いこなすための土台づくりに絞ります。

症状から、読む本を決める#

時系列の本は同じ棚に並んでいても、想定読者がかなり違います。需要予測の実務書と、Pythonの実装書と、統計モデリングの教科書と、運用まで含む実践書は、扱っている問題がほとんど重なりません。自分の症状がどの段階にあるかを先に決めると、読み違いが減ります。

症状と、効く技能と、対応する段階#

以下、この順で4冊を紹介します。守備範囲はそれぞれ違い、全部を通読する前提ではありません。

1. 需要予測を業務の言葉で定義する(新版 需要予測の基本)#

1冊目は、需要予測を業務機能として扱う実務書です。山口雄大さん著、日本実業出版社から2021年11月29日に刊行されました。A5判・並製312ページです。版元の紹介には、「需要予測のはじめての教科書」として愛読されるロングセラーがAI時代の最新トピックスもカバーして新版化した本であり、SCMとマーケティングにおける活用ポイント、デマンドプランナーの育成まで、豊富な事例を交えながら体系的にまとめた担当者必読の1冊、と書かれています。版元の著者プロフィールによれば、著者は化粧品メーカーでのデマンドプランナー、S&OPグループマネージャー、大学講師などを経て現職という経歴の実務家です。

この段が効くのは、モデルの前段にある定義の部分です。予測の対象をSKU単位にするのかカテゴリ単位にするのか、日次で持つのか週次で持つのか、そして予測が外れたときに在庫として跳ねるのか欠品として跳ねるのか。この設計が曖昧なままだと、どんなに良いモデルを持ってきても評価できません。基盤モデルに共変量を渡す場合も、そもそも何を共変量として持つべきかは業務側の知識です。

扱っていない範囲も書いておきます。本書はビジネス書として需要予測の全体像と組織運用を扱うもので、Pythonの実装、モデルの数式的な導出、コードによるバックテストの手順は主題ではありません。手を動かす部分は2冊目以降が担当します。また、版元の書誌ページには詳細な目次の掲載が確認できなかったため、ここでは章立ての紹介は行いません。中身の粒度は書店で確認するのが確実です。

この1冊ですべてわかる 新版 需要予測の基本(日本実業出版社)

広告

著者: 山口雄大 / 出版社: 日本実業出版社 / 2021年11月刊 / A5判・並製312ページ。版元紹介によれば、SCMとマーケティングにおける需要予測の活用ポイントから、デマンドプランナーの育成までを事例を交えて体系的に整理した実務書です。Pythonでの実装、数式の導出、バックテストの手順は扱っていません。

Amazonで見る楽天で見るYahoo!ショッピングで見る

※価格・在庫は変動します。最新の情報は各販売サイトでご確認ください。

2. Pythonで一通り手を動かす(Pythonによる時系列予測)#

2冊目は、Pythonでの実装を通して時系列予測を一周する本です。Marco Peixeiroさん著、株式会社クイープ訳で、マイナビ出版から2023年10月27日に刊行されました。B5変512ページ、版元の書誌情報ではCompass Booksシリーズの1冊です。原書は「Time Series Forecasting in Python」。版元の紹介では、数式を必要最小限に抑えてステップバイステップで説明し、統計学的モデル、機械学習・ディープラーニングによる予測、自動予測ライブラリProphetまでを扱うと説明されています。

版元ドットコムに掲載されている目次は4部21章です。第1部が時系列予測の導入で、第2章「単純な未来予測」と第3章「ランダムウォーク」が置かれています。第2部が統計学的モデルによる予測で、移動平均プロセス、自己回帰プロセス、複雑な時系列、非定常時系列、季節性の考慮、外部変数の追加、複数の時系列の予測と進み、第11章のキャップストーンでオーストラリアの抗糖尿病薬処方数を予測します。第3部がディープラーニングによる大規模な予測で、データウィンドウとベースラインの作成、LSTM、CNN、そして第18章のキャップストーンで家庭の電力消費量を扱います。第4部が大規模な予測の自動化で、第19章がProphetによる自動化、第20章のキャップストーンがカナダでのステーキ肉の月間平均小売価格の予測です。

この構成でいちばん重要なのは、第2章と第3章が先に来ていることです。単純な未来予測とランダムウォークは、いわばベースラインで、これに勝てないモデルには意味がありません。基盤モデルを試すときも同じで、まず前期の値をそのまま使う予測や季節ナイーブ予測を並べておかないと、良く見える数字が本当に良いのか判断できません。

扱っていない範囲も整理します。本書はPythonでの実装が主眼なので、需要予測を組織にどう組み込むかという業務設計は範囲外です。また、状態空間モデルやベイズ推論の理論的な掘り下げは3冊目のほうが厚く、本番運用時の性能設計は4冊目が担当します。ライブラリのAPIは版が上がるため、実行時の細部は各公式ドキュメントで補うのが安全です。

Pythonによる時系列予測(マイナビ出版)

広告

著: Marco Peixeiro / 訳: 株式会社クイープ / 出版社: マイナビ出版 / 2023年10月刊 / B5変512ページ。原書はTime Series Forecasting in Python。ベースラインとランダムウォークから始め、統計学的モデル、LSTM/CNNによる深層学習、Prophetによる自動化までを4部21章で実装します。需要予測の業務設計や本番運用時の性能設計は扱っていません。

Amazonで見る楽天で見るYahoo!ショッピングで見る

※価格・在庫は変動します。最新の情報は各販売サイトでご確認ください。

3. 予測の構造を統計モデリングで理解する(予測にいかす統計モデリングの基本 改訂第2版)#

3冊目は、予測を統計モデルとして構造化する考え方を扱う一冊です。樋口知之さん著、講談社サイエンティフィクのKS理工学専門書として、改訂第2版が2022年7月に刊行されました。A5判176ページ。版元ドットコムに掲載された紹介文では、ロングセラーの10年ぶりの改訂で、全ページをフルカラー化し、非定常時系列データ解析の基本を加筆して第8章を新設したと説明されています。

目次は3部11章です。基礎編が第1章「予測とは何かを考える」、第2章「確率による記述:基礎体力をつける」、第3章「統計モデル:予測機能を構造化する」、第4章「計算アルゴリズム1:予測計算理論を学ぶ」。展開編が第5章「計算アルゴリズム2:モデルを進化させる」、第6章「粒子フィルタ:予測計算を実装する」、第7章「乱数生成:不確実性をつくる」。実践編が第8章「時系列解析の基本:傾向をつかむ」、第9章「経験知の総結集:売上予測の精度を上げる」、第10章「データ同化:シミュレーションの予測性能を向上させる」、第11章「確率ロボティクス:お掃除ロボをつくる」です。

基盤モデルを使う立場から見ると、この段は「出力をどう読むか」に直結します。TimesFM-3が9分位点を返すのは、予測が点ではなく分布だという前提に立っているからです。第7章「乱数生成:不確実性をつくる」や第9章「売上予測の精度を上げる」を通っておくと、分位点の幅を在庫方針にどう翻訳するか、外れた1件をどう解釈するかの判断ができるようになります。逆にここを飛ばすと、9本のうち真ん中の1本だけを取り出して点予測として扱ってしまい、せっかくの確率的な情報が捨てられます。

扱っていない範囲は、Pythonでの実務コードとライブラリの使い方です。本書は考え方と計算アルゴリズムの理解が主眼で、176ページと薄いぶん密度が高く、実装の手順書としては使えません。また需要予測の組織運用も範囲外です。数式に抵抗がある場合は、2冊目で手を動かしてから戻るほうが読み進めやすくなります。

予測にいかす統計モデリングの基本 改訂第2版 ベイズ統計入門から応用まで(講談社サイエンティフィク)

広告

著者: 樋口知之 / 出版社: 講談社サイエンティフィク / 改訂第2版は2022年7月刊 / A5判176ページ。予測とは何かから、統計モデル、計算アルゴリズム、粒子フィルタ、乱数生成、そして売上予測やデータ同化の実践編までを3部11章構成で扱います。改訂で全ページフルカラー化と非定常時系列の章が加わりました。Pythonの実装手順や需要予測の組織運用は扱っていません。

Amazonで見る楽天で見るYahoo!ショッピングで見る

※価格・在庫は変動します。最新の情報は各販売サイトでご確認ください。

4. 検証設計と本番運用まで見る(実践 時系列解析)#

4冊目は、時系列データの入手・前処理から、統計モデル、機械学習、そして誤差の測定と提供時の性能までを通しで扱う実践書です。Aileen Nielsenさん著、山崎邦子さん・山崎康宏さん訳で、オライリー・ジャパンから2021年9月18日に刊行されました。484ページ。原書は「Practical Time Series Analysis」です。版元の紹介では、データのクリーニング、プロットの方法、入出力といった基本をひととおりカバーしてから、さまざまな分野の事例を取り上げ、統計的手法と機械学習手法の両方を適用すると説明されています。プログラムはRとPythonの両方を利用します。

目次は17章です。前半は1章の概論、2章「時系列データの見つけ方と前処理」、3章「時系列の探索的データ解析」、4章「時系列データのシミュレーション」、5章「時間データの保管」。中盤が6章「時系列に使える統計モデル」、7章「時系列に使える状態空間モデル」、8章「特徴量の生成と選択」、9章「機械学習による時系列解析」、10章「ディープラーニングによる時系列解析」。そして11章「誤差の測定」、12章「時系列モデルの当てはめと提供の性能に関する考慮事項」。後半の13章から15章がヘルスケア・金融・政府機関の事例、16章が時系列パッケージ、17章が「予測の予測」です。

この記事の文脈でとくに重いのは、2章と11章と12章です。2章には「先読みの回避」という節があります。将来の情報が学習側に漏れていないかという問題で、時系列で最も起きやすく、最も気づきにくい失敗です。11章は予測の検証方法の基本、バックテストのモデル別の考慮事項、複数タイムステップ先の予測、モデル検証の落とし穴を扱います。12章は、横断面データ用に構築されたモデルがサンプルを超えてデータを共有しないこと、事前計算をしないモデルが測定と予測生成の間に無用なラグを生むことなど、本番で効いてくる制約を整理しています。基盤モデルを試すときに必要になるのは、まさにこの部分です。

扱っていない範囲は、需要予測の業務設計と、日本のSCM実務に固有の話題です。事例はヘルスケア・金融・政府データが中心で、小売の需要予測そのものではありません。また刊行は2021年で、時系列基盤モデルは本書の範囲外です。16章で扱われるのはProphetのような当時のパッケージであり、最新のモデル事情は公式ドキュメントで補う前提になります。

実践 時系列解析 ―統計と機械学習による予測(オライリー・ジャパン)

広告

著: Aileen Nielsen / 訳: 山崎邦子、山崎康宏 / 出版社: オライリー・ジャパン / 2021年9月刊 / 484ページ。原書はPractical Time Series Analysis。前処理と先読みの回避、統計モデル、状態空間モデル、機械学習とディープラーニング、そして誤差の測定と提供時の性能考慮までを17章で扱います。RとPythonの両方を使用。需要予測の業務設計と時系列基盤モデルは扱っていません。

Amazonで見る楽天で見るYahoo!ショッピングで見る

※価格・在庫は変動します。最新の情報は各販売サイトでご確認ください。

4冊の使い分け#

役割と、いま出ている症状から選ぶための対応表です。刊行時期は、ツールやライブラリの説明が現行とどれくらいずれる可能性があるかの目安になります。

読む順序としては、いま止まっている場所から1冊だけ選ぶのが現実的です。4冊を順に通読する計画は、たいてい2冊目で止まります。あえて言えば、事業側の担当者は1冊目から、エンジニアは2冊目か4冊目から入るのが早いはずです。

基盤モデルを試す前に固めておく土台#

基盤モデルは学習の手間を減らしますが、検証の手間は減らしません。ここだけは書籍と公式ドキュメントの両方で確認しておく価値があります。

検証は時間の順序を守る#

通常のクロスバリデーションは使えません。Forecasting: Principles and Practiceのtime series cross-validationの節は、テストセットが1観測ずつの系列になり、対応する訓練セットはそのテスト観測より前に発生した観測だけで構成されると説明し、この手順は予測の起点が時間方向に転がっていくことから「evaluation on a rolling forecasting origin」と呼ばれることがある、と述べています。scikit-learnにも同じ考え方のTimeSeriesSplitがあり、Prophetの公式ドキュメントにも履歴の一部を切り出して予測性能を測るクロスバリデーションの手順が用意されています。過去データ全体で当てはめて同じデータで精度を測っていた、という状態からは、まずここで抜け出します。

評価指標をデータの性質に合わせる#

同書の予測精度の評価の節は、MAPEについて複数の欠点を挙げています。実測値がゼロのとき無限大または未定義になり、ゼロに近い値では極端な値をとること。測定単位に意味のあるゼロがあることを前提にしていること。そして正の誤差より負の誤差に大きなペナルティを与えること。売上ゼロの日が混ざる小売データでMAPEが暴れるのは、指標の選択の問題です。同節はスケールに依存しない代替としてスケール化誤差(MASE)を紹介し、訓練データにおける単純な予測手法の平均絶対誤差でスケーリングするため、値が1より小さければ訓練データ上のナイーブ予測より良く、1より大きければ悪いと解釈できる、と説明しています。テストセットの大きさについては、全サンプルのおよそ20%が一般的で、少なくとも予測したい最大の期間と同じ長さは確保するのが理想だとしています。

LLMに任せてよい仕事と、任せない仕事#

LLMがこの領域で無力なわけではありません。前処理コードの雛形を書く、欠損の埋め方の選択肢を列挙させる、バックテストのループを実装する、結果を業務向けの説明文に翻訳する。こうした作業はむしろ得意分野です。任せてはいけないのは、数値そのものを生成させることと、精度の判定をさせることです。判定はコードで、指標で、再現可能な形で行います。

LLMの出力を評価する設計そのものは、時系列予測の評価とはまた別の話です。混同しやすいので、そちらは別記事で扱っています。

既存の書籍ガイドとの棲み分け#

このサイトには近いテーマの書籍ガイドが複数あります。重複を避けるため、線引きを書いておきます。データ分析全般の土台(統計の考え方、pandasでの前処理、可視化、解釈)は別記事で扱っており、本記事はそこで扱わない「時間の順序があるデータ」に限定しています。特徴量エンジニアリングやコンペ的なスコアの上げ方も別記事の担当です。今回の4冊は、そのどちらとも書名が重なりません。

明日からの手順#

本を読み終えてから着手しようとすると、たいてい着手できません。いま持っているデータで、小さく順番に進めるほうが現実的です。

よくある質問#

まとめ#

時系列予測は、生成AIの盛り上がりの陰で、地味に別系統の進歩を続けてきた領域です。2026年に入って時系列基盤モデルがゼロショットで多変量予測をこなす段階まで来たことで、モデルを作る難しさは確実に下がりました。ただし下がったのは作る側の難しさで、測る側の難しさは変わっていません。むしろ、誰でも予測値を出せるようになったぶん、その数字を受け取ってよいかどうかを判断する力が、いままで以上に効きます。

今回の4冊は守備範囲が違います。需要予測を業務機能として定義する本、Pythonで手法を一周する本、予測を統計モデルとして構造化する本、そして前処理から検証・提供までを通しで扱う本。どれも「これ1冊で需要予測が当たるようになる」種類の本ではなく、自分がどこで止まっているかを明確にしてくれる本です。まずは症状に対応する1冊を選び、次の週次ミーティングまでに、いまの予測の当たり具合を1つの数字で出すところから始めてみてください。その数字が無いかぎり、どんなモデルを持ってきても、良くなったとは言えません。

本記事に記載した書名・著者・訳者・出版社・刊行時期・ページ数・判型・目次は、各出版社の公式書誌ページ(『Pythonによる時系列予測』の目次と、『予測にいかす統計モデリングの基本 改訂第2版』の紹介文・目次は版元ドットコムの書誌情報)で確認できた範囲の情報です。版・価格・在庫・目次は改定されるため、購入前に各公式ページで最新情報をご確認ください。各書籍の「扱っていない範囲」は、公開されている目次と版元の内容紹介から判断できる範囲の整理であり、本文全体を網羅的に検証したものではありません。TimesFM-3に関する記述はGoogle Researchの公式ブログとGitHubリポジトリのREADMEに基づきます。評価指標とクロスバリデーションに関する記述は、Forecasting: Principles and Practice(第3版)の該当節、およびscikit-learn・Prophetの公式ドキュメントに基づきます。ライセンス条件は変更されることがあるため、利用前に必ず配布元の最新の記載をご確認ください。