時系列予測は、過去の時系列データを用いて将来の傾向や状態を推測する、機械学習と統計分析の手法の一種です。この手法では、通常、時系列データ記録を用いて傾向、周期性、季節性、異常パターンを分析し、将来の期間におけるデータの変化を予測するモデルを構築します。時系列予測は、経済分析、エネルギー管理、気象予報、産業監視、資源配分など、幅広い分野で活用されています。

時系列予測の発展には長い歴史があり、その理論的基盤は、自己回帰モデル（AR）、移動平均モデル（MA）、ARIMAといった統計学における時系列分析手法に遡ることができます。これらの手法は、時間の経過に伴うデータ変化の統計的パターンを確立することで、将来の状態を予測します。機械学習や深層学習の発展に伴い、研究者たちはニューラルネットワークモデルを用いてより複雑な非線形な時間依存性を捉えるようになり、時系列予測は統計モデリングからデータ駆動型手法へと進化を遂げています。

2021年、北京航空航天大学、カリフォルニア大学バークレー校、その他の研究機関の研究者らが論文を発表した。 Informer：長系列時系列予測のための効率的なトランスフォーマーを超えて 本論文では、Transformerモデルを用いた長系列時系列予測タスクにおける計算コストの高さや長距離依存関係のモデリングの難しさといった課題に対処するInformerモデルを提案する。また、ProbSparse Attentionや蒸留メカニズムなどの手法を導入することで、Transformerモデルによる長系列タスクの処理効率を向上させる。本研究は、Transformerベースの長系列時系列予測分野における最も重要な代表的研究の一つとなっている。

現代の時系列予測モデルは、通常、過去のデータから傾向、季節性、周期的な変化、変数間の関係を学習します。タスクに応じて、モデルは統計的手法、機械学習手法、リカレントニューラルネットワーク（RNN）、畳み込みニューラルネットワーク（CNN）、Transformer、そして近年では大規模時系列基盤モデルを採用することができます。時系列予測は主に、動的システムの将来の状態を推定するという問題に取り組み、コンピュータが既存のデータに基づいて分析や意思決定を行えるようにします。現在、この技術は金融市場分析、天気予報、電力負荷予測、交通流予測、サプライチェーン管理、産業機器の保守などに広く利用されており、複雑なシステムの計画と最適化のためのデータサポートを提供しています。