시계열 분석(Time Series Analysis)

Time series analysis is the endeavor of extracting meaningful summary and statistical information from points arranged in chronological order.

 

시계열 분석 관련 도서 : https://www.oreilly.com/library/view/practical-time-series/9781492041641/

Practical Time Series Analysis

---

시계열 데이터

백색 잡음(White noise process)

- 서로 독립이고 동일한 분포를 따르는(independently and identically distributed; i.i.d) 확률변수들의 계열로 구성된 확률과정

- 평균이 0이고 서로 다른 시간의 값 사이에 상관관계가 없는 과정

- 과거의 정보는 중요하지 않다.

확률 보행 과정(Random walk process)

- 직전 데이터에서 오르거나 내리거나 하는 데이터

- 시간에 따른 편차의 평균이 0이지만 분산은 시간에 비례하여 증가. 따라서, 앞뒤로 움직일 확률이 동일하다고 해도 시간이 흐름에 따라 평균에서 점차 벗어나는 경향을 보인다.

- 대표적인 예로 브라운 운동이 있다.

정상 확률 과정(stationary process)

- 뚜렷한 추세가 관측되지 않고 진폭(변동)이 시간의 흐름에 따라 일정

- stationarity : 시계열의 확률적인 성질들이 시간의 흐름에 따라 불변 

- ARIMA가 이 데이터만을 다룸

- ARIMA(AutoRegressive Integrated Moving Average) : ARIMA 모형은 정상시계열 데이터에 적합한 모델로 Box-Jenkins Model을 통해 데이터 정상성 여부를 확인 후 사용

---

Fourier Transform

- Sin, Cos 함수를 이용하여 신호를 분리.

- 주파수, 음성 인식 등에 활용

 

Hidden Markov Model

- 은닉층이 마코프 모델을 따른다는 가정으로 예측

- 날씨, 음성인식 등에 활용

참고하면 좋을 사이트 : https://bioinformaticsandme.tistory.com/53

 

브라운 운동 (Brownian Motion)

- 1827년 식물학자 로버트 브라운이 꽃가루 입자 관찰에서 발견

- Quant, 블랙 숄즈 모형

 

Prophet  -Facebook

https://facebook.github.io/prophet/

- 페이스북에서 비즈니스 분야에 적합하게 만든 시계열 예측 알고리즘

- 시계열 추세에 계절적 요소와 휴일 요소를 추가하여 비즈니스에 적합하게 구성

- 데이터에서 변동성 구간, 이상치 검출, 미래 예측, 예측 범위 등 다양하게 제공

- ARIMA처럼 통계학적 모델

 

Deep AR+  -Amazon Forecast

https://docs.aws.amazon.com/ko_kr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html

- 아마존에서 인공신경망을 이용해 제시한 시계열 분석 라이브러리

---

시계열 분석 과목 커리큘럼

 

Kaggle에서 사용된 모델 관련 논문

Kaggle forecasting competitions: An overlooked learning opportunity

https://www.sciencedirect.com/science/article/abs/pii/S0169207020301114?via=ihub 

 

Dacon 전력사용량 예측 AI 경진대회

https://www.dacon.io/competitions/official/235736/codeshare

- 1위 : XGBoost

- 2위 : TemporalFusionTransformer

- 인사이트 https://www.dacon.io/codeshare/2643