시계열 예측

영어	Time Series Forecasting
분류	예측 분석
입력	시간 순서 데이터
활용	주가, 날씨, 수요

'''시계열 예측'''(Time Series Forecasting)은 과거 시간 순서 데이터를 기반으로 미래 값을 예측하는 기술입니다. == 개요 == 시계열 데이터는 일정 시간 간격으로 수집된 데이터입니다. 시계열 예측은 이러한 데이터의 패턴, 추세, 계절성을 분석하여 미래를 예측합니다. 금융, 날씨, 수요 예측 등에 필수적입니다. == 시계열 구성요소 == === 추세 (Trend) === * 장기적 방향 * 상승/하강/정체 === 계절성 (Seasonality) === * 주기적 패턴 * 일/주/월/년 주기 === 주기 (Cycle) === * 비고정 주기 * 경기 변동 === 잔차 (Residual) === * 불규칙 변동 * 노이즈 == 전통적 방법 == === ARIMA === * 자기회귀 이동평균 * 정상 시계열 * Box-Jenkins 방법론 === SARIMA === * 계절성 ARIMA * 계절 패턴 === 지수 평활법 === * 단순/이중/삼중 * Holt-Winters === Prophet === * Facebook 개발 * 계절성 자동 탐지 * 사용 편의성 == 딥러닝 방법 == === RNN/LSTM === * 시퀀스 모델링 * 장기 의존성 === Transformer === * Temporal Fusion Transformer * Informer * Attention 기반 === N-BEATS === * 순수 DL 아키텍처 * 해석 가능 === TimesNet === * 다중 주기 모델링 * SOTA 성능 == 활용 분야 == === 금융 === * 주가 예측 * 환율 예측 * 리스크 관리 === 소매 === * 수요 예측 * 재고 관리 * 매출 예측 === 에너지 === * 전력 수요 * 발전량 예측 * 가격 예측 === 날씨 === * 기상 예보 * 기후 모델링 === IT === * 트래픽 예측 * 용량 계획 * [[이상 탐지]] == 평가 지표 == * MAE (평균 절대 오차) * RMSE (평균 제곱근 오차) * MAPE (평균 절대 백분율 오차) * sMAPE == 관련 문서 == * [[기계학습]] * [[RNN]] * [[트랜스포머]] * [[이상 탐지]] [[분류:인공지능]] [[분류:기계학습]] [[분류:데이터 분석]]