時系列AI「TiRex-2」、リアルタイム多変量予測を実現

研究の概要

Johannes Kepler大学（オーストリア）のHochreiters研究グループは、時系列予測基盤モデル「TiRex-2」を発表した。前作の単変量モデルを拡張し、多変量データおよび「将来既知の共変量」（future covariates）への対応を実現している。

従来の主流であるTransformerベースの時系列モデルは、文脈長が増えるにつれて計算量が二乗オーダーで増大する構造的な問題を抱えていた。新規データが到着するたびに履歴全体を再計算する必要があり、リアルタイム処理との親和性が低かった。TiRex-2はxLSTMと呼ばれる再帰型アーキテクチャを採用することで、1パッチあたりの推論コストを一定に保ちつつ、任意の長さのデータストリームを安定処理できる設計とした。

モデルの核心は「双方向タイムミキサー」と「非対称グループ注意機構によるVariateミキサー」の組み合わせにある。前者が時間軸の依存関係を、後者が変数間の相関を捉え、両者を統合することで目標変数の因果性を保ちながら将来の既知情報（例：プロモーション予定日、祝日カレンダー、気象予報）を予測に組み込む。ベンチマーク「GIFT-Eval」および「fev-bench」においてゼロショット評価で最高水準の精度を記録した。パラメータ数は単変量モードで3,840万、多変量モードでは追加4,410万が活性化される。

ビジネスへの示唆

この技術が実務に与える影響は、予測精度の向上にとどまらない。ストリーミング対応と定コスト推論の組み合わせは、従来バッチ処理に依存していた予測パイプラインの設計を根本から変える可能性がある。

影響が特に大きい領域として以下が挙げられる。

• 製造・サプライチェーン部門：原材料価格、生産ラインの稼働率、需要量を多変量で同時予測し、在庫回転率や欠品率（OOS率）の改善に活用できる。将来既知の発注カレンダーや設備保全スケジュールを共変量として入力することで予測精度がさらに向上する。
• 金融・リスク管理部門：複数の市場指標を連動させながらリアルタイムのリスクモニタリングを行う用途に適合する。クレジットリスクモデルや流動性予測において、データ到着のたびに全履歴を再計算するコストが不要になり、計算インフラのコスト削減が見込まれる。
• 小売・Eコマース部門：商品カテゴリー間の需要相関を捉えつつ、セール日程や広告出稿計画を将来共変量として組み込んだ需要予測が可能となる。予測精度の改善はそのまま廃棄ロス率や過剰在庫日数といるKPIの改善に直結する。
• エネルギー・インフラ部門：電力消費量の多変量予測に気象予報を共変量として組み込むことで、系統安定化や再生可能エネルギーの出力予測精度を高められる。

ゼロショット性能が実用水準に達しているという点も重要である。業界固有のデータで再学習（ファインチューニング）を行わずとも一定の精度が出ることは、AIシステムの導入コストと期間の大幅な圧縮を意味する。特にAI専門人材が限られる中堅・中小企業にとって参入障壁を下げる効果がある。

今後の展望

TiRex-2が採用した「大規模単変量コーパスから多変量サンプルを動的合成する」事前学習手法は、ラベル付き多変量データの収集コストを回避する新たな学習パラダイムを示している。今後、医療（複数バイタルの同時監視）や交通（センサーネットワークの流量予測）など、多変量センサーデータが豊富な領域での応用研究が加速するとみられる。

一方で、モデルの解釈可能性やドメイン適応における限界についての検証は今後の課題として残る。企業導入に際しては、既存の予測システムとのAPI連携設計および予測誤差の説明責任（監査対応）の整備が実装上の焦点となろう。研究チームはモデルの公開も予告しており、オープンソースを通じた産業実装の動向が注目される。