[5주차]시계열 모델링

시계열 모델링

---

Time Series (Sequential Data)

• 순서가 있는 데이터, 시간순(등간격)

시계열 데이터 분석

• 시간의 흐름에 따른 패턴을 분석
• 흐름을 어떻게 정리하는지가 주 point

모델링

1) 전통적 시계열 모델링

• y의 이전 시점 데이터들로 부터 흐름의 패턴을 추출
• 흐름을 y값에 둠, y만 가지고 모델링
• X변수들은 사용하지 않음
• yt=w1y(t-1)+w2y(t-2)+w0

2) ML 기반 시계열 모델링

• 특정 시점 데이터들과 예측대상시점과의 관계로부터 패턴을 추출하여 예측
• X와 y의 관계!
• feature engineering이 중요
• yt+1=w1x1t+w2x2t+w3x3t+w0

3) 딥러닝 기반 시계열 모델링

• 특정 구간 데이터들과 예측 대상 시점과의 관계로부터 패턴을 추출하여 예측
• 분석단위가 2차원

시계열 전처리

시간정보 인덱스 만들기

• 일정간격인가?

사전확인 오류(Look-ahead)

• 특정 시점에 알 수 없는 데이터를 분석단위로 묶어서 분석 및 예측하는 오류

NAN처리

• fill, bfill, .interpolate(사이값으로 채우기)

TimeSeriesSplit cross validation

• Fold수와 validation 사이즈를 결정하여 사용

모델링 절차

1) 모델 생성

전통적 시계열 모델링

• X 변수들은 사용하지 않음
• AR
• MA
• ARMA
• ARIMA
• ARIMA
• SARIMA
• SARIMAX

2) 잔차 분석

3) 검증

4) 평가

4-1) 잔차분석

ACF(자기상관함수)

• yt와 yt-n간의 상관성, 자기상관 O = 패턴 O -> 다시

PACF(편자기상관함수)

• y와 yt-n간의 순수한 상관관계

정상성 검정

• 정상 데이터이다. (p-value < 0.05)

정규성 검정

• 정규 분포이다. (p-value > 0.05)
• 실제값 = 모델 + 오차(잔차)
• 잔차는 white noise에 가까워야한다, 만약 잔차가 남았다면 남아있는 오차안에 패턴이 남아있는지 분석

White Nosie

• 정규분포, 평균은 0, 분산은 일정, 값들간의 상관성이 없음(ACF, PACF 0)

4-2) ML Metric

• RMSE, MAE, AIC(SARIMA)