yoft
JA/EN
サインイン
国内企業初の時系列基盤モデル

現場のデータを、 次の判断へ。

不規則な観測も、欠測も、信号波形も。yoft は現場の時系列をそのまま受け取り、予測・異常検知・欠損補完を一つの基盤で届けます。

サインイン 予測精度を見る

トライアルは招待制です。

yoft-o時系列オーケストレーション
動作イメージ · サンプルデータ
GIFT-Eval 1位追加学習なし・LLMなしの手法で‡結果と評価条件 ↗
01ベンチマーク実績

予測精度を、公開データで。

yoft のオーケストレーションモデル「yoft-o」。複数の時系列モデルを組み合わせ、追加学習に頼らず予測精度を引き出します。

GIFT-EVAL / 2026-09-14

yoft-o

yoft のオーケストレーションモデル

追加学習なし・LLMなし‡

GIFT-Eval の公開結果を正規化 MASE で比較。追加学習と LLM を使わない予測手法の中で、最も小さい誤差を達成しました。

追加学習なし・LLMなしの手法で
1位‡

条件を限定しない総合順位は3位†

点予測の誤差
0.650MASE ↓
確率予測の誤差
0.444CRPS ↓
全体のエントリ数
129エントリ

‡ 2026-09-14 取得の公開結果を正規化 MASE で当社集計。「追加学習なし」はデータセットごとのモデル重みの追加学習を行わないこと、「LLMなし」は検索対象の選定などを含む予測処理で LLM を使わないことを指します。上位の EXAONE-Forecast-Agent と STRIDE w/ Synapse は、各手法の一次資料で予測処理への LLM 利用を確認したため比較対象外です。この条件で yoft-o（掲載名 TIMEHEDGE）が1位です。公式の部門順位ではありません。結果の説明・会話に使うアシスタントは別機能です。

† 2026-09-14 取得の GIFT-Eval 公開結果、129 エントリを正規化 MASE で集計した順位です。公式サイトの既定表示順とは異なります。MASE・CRPS は小さいほど高精度です。

等間隔データの予測に用いるモデルの評価結果です。公開データでの結果であり、お客様のデータでの精度を保証するものではありません。

02選ばれる理由

予測で終わらない、 現場のための基盤。

yoft は、将来予測に加え、現場データから判断までを一つの基盤で扱います。

Point 1個別カスタマイズ

説明可能性

予測をトレンド・周期・残差に分け、判断の根拠を確かめられる形へ。DecompSSM の技術を、お客様のデータや業務に合わせて個別カスタマイズで導入できます。成分内訳は標準 API のレスポンスには含まれません。

Point 2

現場データ

観測間隔のばらつき、欠測、高頻度の波形。整形される前のデータを、その特徴を保ったまま扱うための設計です。

Point 3

複数タスク

予測・異常検知・欠損補完に加え、類似検索や分類に利用できる埋め込みを返します。分類器やラベルの判定は、利用者側で組み合わせます。

  • 将来予測
  • 異常検知
  • 埋め込み
  • 欠損補完
CAPABILITIES

既存モデルとの違い

予測から分析・説明まで。標準APIと個別カスタマイズで、業務に必要な機能を揃えます。

主要な公開基盤モデルと yoft の対応範囲
項目主要な公開基盤モデル将来予測を中心に発展yoft標準API・個別カスタマイズ
将来予測対応対応
確率予測（予測の幅）対応対応
共変量対応対応
不規則な間隔・​欠損補完一部対応対応
信号波形対象外対応
異常検知対象外対応
埋め込み（類似検索・分類の入力）対象外対応
説明可能性対象外個別カスタマイズ

公開モデル欄は一般的な構成の傾向であり、全モデルを網羅するものではありません。yoft の埋め込みAPIは特徴ベクトルを返し、分類器は利用者側で実装します。成分内訳による説明可能性は、標準APIとは別に個別カスタマイズで提供します。

03特徴

整形される​前の​データを、 そのまま。

観測の間隔はばらつき、欠損があり、高頻度の信号波形も混ざる。yoft は、そうした現場のデータを丸めずに入力にとります。

01

不規則な観測間隔

図 1a — 間隔のばらつく観測（刻み）から、そのまま予測する。下の目盛りは観測時刻

観測時刻をそのまま渡します。等間隔へのリサンプリングはしません。間隔のばらつき自体が情報だからです。

02

欠測

図 1b — 欠測区間（網掛け）の推定値と予測の幅

欠けた区間は欠けたまま扱います。値が要るときは、推定値を予測の幅つきで返します。

03

高周波の波形

図 1c — 波形をそのまま入力し、異常な 1 拍（朱）を検出する

心電図や振動のような波形も、同じ入力です。周期を壊さずに読み、外れた拍を見つけます。

図は処理の流れを示す模式図です。実測値・精度評価ではありません。

04研究の裏付け

研究から、現場へ。

信号処理分野の世界最高峰の国際会議 ICASSP 2026 に採択された、時系列予測と信号再構成の研究。これらの技術を、お客様のデータや業務に合わせた個別カスタマイズで導入できます。

ICASSP 2026 · 口頭発表01

DecompSSM

多変量時系列予測
DecompSSMの構成。トレンド・周期・残差の3本のGT-SSM分岐とGCRM、再構成・直交性損失、入力に応じた時間スケール調整。
3成分に分けて予測するモデル構成

時系列をトレンド・周期・残差の3成分に分け、各成分の状態空間モデルで予測する研究です。多変量の文脈を共有し、成分ごとの振る舞いを調べます。

より詳しくは
ICASSP 202602

PENGUIN

信号の再構成
PENGUINの構成。PPGで条件付けたFlow-SSMブロックとS5層、ノイズから心電図・血圧・呼吸波形へ変換するFlow Matching。
PPGから生体信号を再構成するモデル構成

PPG（光電容積脈波）から生体信号を再構成する研究です。Flow Matching と状態空間モデルを組み合わせ、信号の再構成に取り組んでいます。

より詳しくは

AI・信号処理・画像認識分野の世界最高峰の国際会議で、論文が採択されたメンバーが在籍。

ICASSPICCVAAAI

画像認識・AI・信号処理の最前線で研究するメンバーが、技術を現場へ届けます。画像認識分野の国際会議 CVPR のコンペティション優勝や、国立大学病院・大手企業との共同研究、技術顧問の実績もあります。

05API

過去のデータから、 将来の数値を予測。

過去の数値データと、何点先まで予測したいかをAPIに送信。将来の予測値や予測の幅を受け取り、あなたのサービスに組み込めます。モデルの選択や追加学習の準備は不要です。

Request · curl
curl -X POST "$YOFT_API_BASE/v1/forecast" \
  -H "Authorization: Bearer $YOFT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "series": [{ "name": "load", "values": [412.0, 398.5, 401.2, "…", 455.8] }],
    "horizon": 24,
    "quantiles": [0.1, 0.5, 0.9]
  }'
Response · 200
{
  "request_id": "req_a1b2c3d4e5f67890a1b2c3d4e5f67890",
  "model": "yoft",
  "model_version": "v1",
  "forecast": [{
    "name": "load",
    "values":    [458.1, 462.7, "…"],
    "quantiles": {
      "0.1": [441.3, 443.9, "…"],
      "0.5": [458.1, 462.7, "…"],
      "0.9": [474.8, 481.2, "…"]
    }
  }],
  "usage": { "input_points": 168, "output_points": 24, "series_count": 1 }
}
エンドポイント一覧
POST/v1/forecast将来予測。多変量・共変量・分位点・不規則 timestamps に対応
POST/v1/anomaly各時点の異常スコア（分布的な驚きの度合いと予測誤差）
POST/v1/impute欠損位置の推定値と分位点
POST/v1/embed類似検索・分類のための固定長ベクトル
GET/v1/models利用できるモデルの一覧

1 リクエスト最大 64 系列1 系列 16〜2048 点予測長 最大 512 点分位点の指定に追加料金なし

APIに送信した時系列データは、モデルの学習・追加学習に一切使用しません。時系列の生の値は保存・ログ出力しません。

APIの仕様・使い方を見る（ログイン不要）

招待されたアカウントでは、Playgroundで 16 のユースケースと自分のCSVを試せます。PlaygroundでAIアシスタント（LLM）を使う場合に限り、解析結果の集計値と会話内容をLLMに送信します。アシスタント機能が有効な場合、集計値は24時間の有効期限で一時保存します。 サインイン

06産業

予測が、​産業の判断を​変える。

幅広い産業で社会実装を進めています。時間とともに変わる数値があるところなら、どこでも。

01

医療・ヘルスケア

  • 発症予測
  • 重症化予測
  • バイタル予測
  • 病床需要予測
  • 生体信号の異常検知
02

小売・EC

  • 売上予測
  • 商品需要予測
  • 在庫最適化
  • 来店客数予測
  • 原料・仕入価格予測
03

電力・エネルギー

  • 電力需要予測
  • 発電量予測
  • 市場価格予測
  • 設備故障予測
  • 蓄電池最適化
04

金融

  • 市場価格予測
  • 資金需要予測
  • 与信リスク予測
  • キャッシュフロー予測
  • 不正・異常取引検知
05

製造

  • 生産需要予測
  • 原料価格予測
  • 設備故障予測
  • 品質異常検知
  • 生産・在庫最適化
06

防災・環境

  • 降水量・洪水予測
  • 通信インフラ障害予測
  • 太陽フレア・宇宙天気予測
  • 感染症拡大予測
  • 道路・橋梁・水道管劣化予測
07

物流

  • 物流需要予測
  • 荷量予測
  • 配送遅延予測
  • 配車最適化
  • 倉庫稼働予測
08

農業

  • 収量予測
  • 生育・品質予測
  • 病害発生予測
  • 農産物価格予測
  • 高温・渇水被害予測
07FAQ

よくある質問

送ったデータは学習に使われますか？

APIに送信した時系列データを、モデルの学習・追加学習に使うことは一切ありません。時系列の生の値は保存・ログ出力せず、解析後に破棄します。

不規則な間隔や欠測のあるデータはそのまま送れますか？

送れます。timestamps を付ければ非等間隔のまま予測します。欠測の値そのものは /v1/impute で推定値と予測の幅として復元できます。

予測に LLM を使っていますか？

数値の予測には時系列モデルを使い、LLMは使いません。PlaygroundでAIアシスタント（LLM）を利用する場合に限り、解析結果の集計値と会話内容をLLMに送信します。解析結果から生の時系列データの配列を自動送信することはありません。会話欄に入力した内容は送信対象となり、国外で処理される場合があります。

どのモデルが動いているのですか？

yoft のオーケストレーションモデル「yoft-o」です。国産モデルと公開の時系列基盤モデル群を組み合わせています。内部の構成は運用で更新されますが、API の形とレスポンスは変わりません。

精度は保証されますか？

保証はしません。公開ベンチマークの結果と、お客様のデータでの検証を判断材料にしてください。検証はご相談に応じて実施します。

オンプレミスやエッジで動かせますか？

個別にご相談ください。API での提供が基本ですが、要件に応じた提供形態を検討します。

08連絡

データの形を、​教えてください。

系列の数、観測の間隔、欠測の量。それだけ分かれば、yoft が向いているかどうかを技術担当がお返事します。

メールで相談する サインイン