周期性

時系列データにおいて、一定の間隔で似たパターンが繰り返し現れる性質。曜日や季節による売上の変動、時間帯による電力需要の変化などがあり、季節によるものは季節性とも呼ぶ。周期的な変動を把握して取り除く（季節調整）ことで、長期的な傾向や本来の変化を読み取りやすくなる。

時系列データについて、一定の期間の平均を、期間を1つずつずらしながら計算する方法。短期的な変動や不規則な変動をならして基調となる傾向を読み取り、直近の一定期間の平均を次期の予測値とする需要予測にも使う。新しいデータほど大きな重みを置く加重移動平均もある。

中間層の出力を次の時刻の入力として再び使う循環構造を持ち、過去の情報を保持しながら時系列データや文章などの系列データを処理するニューラルネットワーク。長い系列では勾配消失により遠い過去の情報を学習しにくく、これを改善したLSTMやGRUが使われてきた。現在の言語処理ではTransformerが主流である。

ある一時点において、複数の対象（個人、企業、地域など）について同じ項目を観測したデータ。ある年の都道府県別の人口や所得などが該当し、対象間の違いや関係を比較するのに使う。時間の経過に沿って観測する時系列データと対比され、両者を組み合わせたものをパネルデータという。

観測データに最もよく当てはまる直線や曲線を求める方法で、各データの実測値と予測値の差（残差）を2乗した和が最小になるように係数を決める。回帰分析で回帰式を求める標準的な方法であり、需要予測で過去の実績から傾向線を引く際にも使う。

前回の予測値に、前回の実績値と予測値の差（予測誤差）に平滑化係数αを掛けたものを加えて、次回の予測値を求める需要予測の手法。予測値＝前回予測値＋α×（前回実績値−前回予測値）で計算し、過去のデータほど重みが指数的に小さくなる。αは0から1の値をとり、大きいほど直近の実績を強く反映する。

需要と供給の状況、時期、時間帯、在庫、競合の価格などに応じて、価格をきめ細かく変動させる価格設定の手法。航空券、ホテル、スポーツや演劇のチケットなどで使われ、AIやデータ分析によって自動で価格を調整する例が増えている。