補間法の数学的定義と基本原理

補間法は、既知の離散データ点（節点）を全て通る連続関数を構築する数値解析手法である。与えられた n+1 個の互いに異なる節点に対し、その点における関数値と一致する次数 n 以下の多項式は一意に存在する。ただし、多項式の次数制限を設けない場合、解は一意ではなくなる。

実用上、補間手法は主に代数的多項式補間、区分多項式補間、三角関数補間に分類される。三角補間はフーリエ変換等の高度な演算を必要とするため、工学・科学計算では区分補間が最も頻繁に採用される。

古典的多項式補間とルンゲ現象

ラグランジュ補間は基底多項式の線形結合により直接解を求める手法であり、ニュートン補間は差商を用いて漸化的に多項式を構築する。両手法とも数学的に等価な多項式を生成するが、実装上の特性が異なる。ニュートン補間は新しいデータ点を追加した際、既存の計算結果を再利用できるため更新コストが低い。一方、両手法とも節点数が増加し多項式の次数が高くなると、区間の両端で振動が激しくなる「ルンゲ現象」が発生する。次数を上げることは必ずしも近似精度の向上につながらず、むしろ数値誤差や振動を増幅させるため、高次多項式による一括補間は推奨されない。

この振動問題を解決するため、区間を細分化し各区間で低次多項式を用いる区分的補間が標準的なアプローチとなる。また、実現象では関数値だけでなく導関数値（傾きや曲率）も連続であるべきケースが多い。関数値と導関数値の両方を一致させるエルミート補間は性態の再現性が高いが、単一多項式として構築すると依然としてルンゲ現象のリスクがある。

実用的補間アルゴリズムの実装

実際の数値計算では、区分的3次エルミート補間（PCHIP）と3次スプライン補間が主要な選択肢となる。PCHIPはデータの単調性を保ちつつ傾きの連続性を確保するのに対し、スプライン補間は2階微分の連続性まで強制し滑らかな曲線を生成する。以下にMATLABを用いた実装例を示す。

% 区分的3次エルミート補間（PCHIP）の適用例
% 基準となる離散座標と観測値の定義
grid_points = linspace(-3.14159, 3.14159, 7);
observed_vals = sin(grid_points);
% 高密度な評価用クエリ座標の生成
dense_query = linspace(-3.14159, 3.14159, 63);

% 補間実行と可視化
estimated_pchip = pchip(grid_points, observed_vals, dense_query);
figure; hold on;
plot(grid_points, observed_vals, 'ko', 'MarkerFaceColor', 'k');
plot(dense_query, estimated_pchip, 'b-', 'LineWidth', 1.5);
grid on; title('PCHIP Approximation');

スプライン補間との比較検証を行う場合、以下の構造で計算結果を重ねて表示できる。

% 3次スプライン補間との比較検証
interp_spline = spline(grid_points, observed_vals, dense_query);

figure; hold on;
plot(grid_points, observed_vals, 'rs', 'MarkerFaceColor', 'r', 'MarkerSize', 8);
plot(dense_query, estimated_pchip, 'g-', 'LineWidth', 1.5);
plot(dense_query, interp_spline, 'c--', 'LineWidth', 1.5);
legend('Input Data', 'PCHIP Result', 'Spline Result', 'Location', 'best');
xlabel('Domain'); ylabel('Amplitude');

多次元データへの拡張処理

補間アルゴリズムは1次元データに限定されず、n次元テンソルデータにも適用可能である。MATLABの `interpn` 関数を用いることで、グリッドデータの補間を統一的に実行できる。内部ロジックは指定された補間方式（例：'spline'）に応じて次元拡張が行われる。

% 多次元補間関数の利用例
% interpnはスプライン補間を指定すると spline と同等の動作を行う
multi_dim_result = interpn(grid_points, observed_vals, dense_query, 'spline');

figure;
plot(grid_points, observed_vals, 'o', 'MarkerEdgeColor', 'm');
plot(dense_query, multi_dim_result, 'm-', 'LineWidth', 2);
title('n-Dimensional Interpolation via interpn');

補間を用いた外挿推定とその限界

補間関数は定義域外への値推定（外挿）にも利用可能だが、数学的保証が薄いため長期予測には不向きである。短期的なトレンド補完として活用する場合は以下のパターンで実装する。

% 過去10年間のデータを用いた短期推定例
census_year = 2009:2018;
population_record = [133126, 133770, 134413, 135069, 135738, ...
                     136427, 137122, 137866, 138639, 139538];
forecast_range = 2019:2021;

% PCHIPとスプラインによる外挿比較
proj_pchip = pchip(census_year, population_record, forecast_range);
proj_spline = spline(census_year, population_record, forecast_range);

figure; hold on;
plot(census_year, population_record, 'kp', 'MarkerSize', 10, 'MarkerFaceColor', 'g');
plot(forecast_range, proj_pchip, 'r*-');
plot(forecast_range, proj_spline, 'bx-');
legend('Historical Data', 'PCHIP Projection', 'Spline Projection');

上記のように補間アルゴリズムは既存データの範囲内で滑らかな関数復元を行うが、外挿領域では物理法則や統計的変動を反映しないため、急激な発散が生じやすい。実務的な予測タスクにおいては、時系列解析やフィッティングベースの回帰モデル、あるいは灰色システム理論等の専用語法を用いた手法へ移行することが標準的な設計方針となる。