# TTSモデルとLSTMモデルでのバッチ予測

> TTSモデルとLSTMモデルでのバッチ予測 - 従来の時系列（TTS）モデルと長・短期記憶（LSTM）モデルでバッチ予測を行います。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-15T05:55:44.976553+00:00` (UTC).

## Primary page

- [TTSモデルとLSTMモデルでのバッチ予測](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/ts-tts-lstm-batch-pred.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [予測精度に関する注意事項](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/ts-tts-lstm-batch-pred.html.md#prediction-accuracy-considerations): In-page section heading.

## Documentation content

時系列予測では、従来の時系列モデル（TTS）や長・短期記憶モデル（LSTM）（自己回帰（AR）や移動平均（MA）の手法を用いたシーケンスモデル）が一般的です。 ARモデルもMAモデルも、予測を行うためには、通常、過去の予測の完全な履歴を必要とします。 それに対して、他の時系列モデルでの予測に必要なのは、特徴量派生後の1行のみです。

> [!NOTE] 備考
> 時系列のオートパイロットには、まだTTSモデルやLSTMモデルのブループリントが含まれていません。しかし、モデル [リポジトリ](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/build-basic/repository.html.md) にあるモデルブループリントにアクセスすることができます。

TTSおよびLSTMモデルでバッチ予測を可能にするには：

- バッチ予測では、最大バッチサイズ（50MBまたは約100万行の履歴データと同等）までの履歴データを使用できます。
- TTSモデルでは、（完全な履歴が提供されない場合）不完全な履歴での再フィッティングが可能です。

> [!WARNING] 注意
> 予測時に十分な予測履歴を提供しない場合、予測の矛盾が発生する可能性があります。 TTSおよびLSTMモデルで精度を維持する方法については、 [予測精度に関する注意事項](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/ts-tts-lstm-batch-pred.html.md#prediction-accuracy-considerations) を参照してください。

デプロイされたTTSまたはLSTMモデルで予測を行うには、 [予測 > 予測を作成](https://docs.datarobot.com/ja/docs/classic-ui/predictions/batch/batch-dep/batch-pred.html.md) タブと [予測 > ジョブ定義](https://docs.datarobot.com/ja/docs/classic-ui/predictions/batch/batch-dep/batch-pred-jobs.html.md) タブにアクセスします。

**Q: どの時系列モデルがTTSとLSTMのバッチ予測を行いますか？**

以下のモデルタイプでバッチ予測が可能になりました。以下の時系列モデルでは、TTSとLSTMの [予測精度に関する注意事項](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/ts-tts-lstm-batch-pred.html.md#prediction-accuracy-considerations) に従ってバッチ予測を行います。

- Recurrent Neural Network Regressor using Keras
- Recurrent Neural Network Regressor using Keras for each forecast distance
- Univariate Recurrent Neural Network Regressor using Keras
- Multi-Step Recurrent Neural Network Regressor using Keras
- Sequence to sequence Recurrent Neural Network Regressor using Keras
- DeepAR Recurrent Neural Network Regressor using Keras
- Seasonal AUTOARIMA model based on statsmodels SARIMAX model
- Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model
- Per Series Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model
- AUTOARIMA model based on statsmodels SARIMAX model using baseline offset for each forecast distance
- Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model using Fourier Terms
- Per-series Nonseasonal AUTOARIMA model based on statsmodels SARIMAX model using Fourier Terms
- Error-Trend-Seasonal (ETS) exponential smoothing model
- Per-series AutoETS model based on statsmodels ETS model
- TBATS forecasting regressor
- Prophet
- Per-series Prophet
- Vector Autoregressive Model (VAR)
- VARMAX model based on stats model (Multiseries VARMAX model)
- Multiseries VARMAX model with Fourier features
- Per-series TBATS forecasting regressor

## 予測精度に関する注意事項

「完全な履歴」と「不完全な履歴」の予測間でのRMSEのパーセンテージ差を計算することで、シーケンスモデルでのバッチ予測に不完全な特徴量派生ウィンドウ履歴を使用することの影響を測定します。 DataRobotでは、テストに基づいて、予測精度を維持するために以下のガイドラインを適用することが推奨されます。

- ARIMAおよびETS：これらのモデルは（Kalmanのフィルターに基づく）平滑な方法を使用します。この方法ではモデルパラメーターは変更されず、再生成に失敗した場合には元のモデルが使用されます。 精度を維持するために、少なくとも20ポイントの履歴データを提供します。 FDWが小さく、予測に季節性がない場合、新しいデータを既存のパラメーターで効果的に平滑化するために十分な履歴データを提供することが特に重要です。
- TBATSとPROPHET：これらのモデルでは、ウォームスタート法を使用します。この方法は、初期の「推定」として既存のモデルパラメーターを使用し、より多くのデータで再生成を完了させます。 モデルパラメーターは変更される可能性があり、精度の結果の一貫性は低くなります。 精度を維持するために、少なくとも40ポイントの履歴データを提供します。
- LSTM：LSTMモデルには2つのグループがあります。