著者の所属・活動拠点の国は、インドネシアです。

掲載誌：bit-Tech

ライセンス: CC BY-SA　対象: 公開論文　確認元: OpenAlex

研究の目的

インドネシアの東ジャワ州では、基礎的な生活必需品の価格が不安定に変動しています。研究チームはこれを、家計の購買力に影響し、地域のインフレ抑制を難しくする大きな課題と位置づけています。

そこで本研究は、一部の食料品の価格を予測するモデルを開発し、その性能を評価することを目的としました。用いたのは、価格の動きをいくつかの成分に分けたうえで、性質の異なる2種類の予測手法を組み合わせる「ハイブリッドARIMA–LSTM」と呼ばれる枠組みです。

価格の動きを分けて予測する方法

研究チームは、2015年から2024年までの日ごとの価格データを使いました。このように時間の順に並んだデータを時系列データといいます。まず価格の動きを、長期的な上がり下がりを表す「トレンド」、一定の周期で繰り返される「季節的な変動」、そのどちらにも当てはまらない不規則な「残差」の3つの成分に分解しました。

そのうえで、成分ごとに異なる手法を当てはめています。比較的直線的な動きを示すトレンドには、過去の値の関係から将来を予測する統計的手法のARIMAを使いました。季節的な変動と残差には、時系列の複雑なパターンを学習できる人工知能の一種であるLSTM（長短期記憶ネットワーク）を、それぞれ別々に用いました。予測の期間は30日先までです。

対象としたのは、中級米、量り売りの食用油、純血種の鶏の卵の3品目です。スラバヤ市、マディウン市、バニュワンギ県の3地域のデータで、この枠組みを評価しました。

主な結果

著者らによると、成分に分解して並行して予測する構成は、単独の手法だけを使うモデルに比べて短期の予測性能を改善しました。直線的な成分と非直線的な成分の間で誤差が積み重なるのを抑えられたためだと説明されています。

成分ごとの結果をみると、トレンドをARIMAで予測した場合、決定係数（R²）は一貫して0.96を上回りました。決定係数は、予測が実際の値の動きをどれだけ説明できているかを示す指標で、1に近いほど当てはまりが良いことを表します。季節的な変動については、LSTMがそのパターンを効果的にとらえたと報告されています。

一方、残差の予測は、いくつかのデータセットで性能が大きく下がりました。著者らはこれを、時系列データだけに頼る方法では、不規則で偶然に左右される変動をモデル化するのが難しいことの表れだとしています。

この研究が示すこと

この研究は、価格の動きを性質の異なる成分に分け、それぞれに合った手法で予測する方法が、地域の一部の食料品価格の予測に役立つ可能性を示しました。同時に、不規則な変動の予測には限界が残ることも明らかになりました。著者らは、この枠組みを予測に基づく意思決定支援の基盤として位置づけています。

原著論文の著者・所属：Muhammad Zaki Nawwafi（Universitas Pembangunan Nasional “Veteran” Jawa Timur）、Henni Endah Wahanani（Universitas Pembangunan Nasional “Veteran” Jawa Timur）、Andreas Nugroho Sihananto（Universitas Pembangunan Nasional “Veteran” Jawa Timur）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Muhammad Zaki Nawwafi, Henni Endah Wahanani, Andreas Nugroho Sihananto Forecasting Basic Commodity Prices in East Java Using a Hybrid ARIMA–LSTM Method. bit-Tech 2026-08-10. DOI: 10.32877/bt.v9i1.3960. 原著ライセンス：CC BY-SA 4.0.

本紹介記事の文章（題名・見出しを含む）は、CC BY-SA 4.0で提供します。原著論文をもとにNutriMap Japanが日本語で要約・説明を加えています。対象は本紹介記事の文章に限り、ヒーロー画像・サイトのロゴ・画面デザイン・他の記事・データベース全体は含みません。