시계열은 일정한 시간 간격으로 기록되는 일련의 데이터 포인트입니다. 시계열 분석은 추세, 계절적 변동 및 기타 패턴을 분석하여 과거 행동을 이해하고 미래 값을 예측하는 데 사용됩니다. 마케팅, 재무, 의료 등과 같은 다양한 분야에서 가치가 있어 과거 데이터 세트를 기반으로 정보에 입각한 의사결정과 예측을 가능하게 합니다.
일반적으로 시계열 예측은 두 가지 주요 유형(단일 변량 및 다변량)으로 분류할 수 있습니다. 전자는 단일 변수의 과거 데이터를 기반으로 미래 값을 예측하는 것을 포함합니다. 예를 들어, 주어진 지리적 영역에 대해 시간별 풍속 값을 기록하고 있고 과거 풍속 레코드를 사용하여 미래 풍속을 예측하려는 경우입니다.
시계열 예측 모델 및 기법
반면, 다중 변량 시계열 예측에서는 여러 관련 변수를 사용하여 미래 값을 예측합니다. 풍속 예측의 예는 위와 같습니다. 그러나 다변량 예측에서는 대기 압력, 태양 폭풍 강도, 온도 등의 다른 중량 관련 기능도 고려합니다. 요약하면, 다변량 시나리오는 여러 변수를 고려하여 대상 변수(이 경우 풍속)를 예측합니다.
전체 시계열 예측 알고리즘은 다음과 같은 클래스로 분할될 수 있습니다.
- 클래식/통계 모델: 추가 모델, 이동 평균, 지수 평활법, ARIMA, SARIMA, TBATS
- 기계 학습 접근법: 선형 회귀, XGBoost, 랜덤 포리스트
- 심층 학습: 반복 신경망(RNNs), 장기 단기 메모리(LSTM), 컨버전스 신경망(CNN) 및 단기 및 장기 추세를 모두 고려해야 하는 작업에서 매우 잘 수행할 수 있는 변압기, 즉 가격 예측 및 날씨 예측을 공유
시계열 가산 모델은 시계열을 함께 추가하여 해당 구성요소(추세, 계절적 변동, 주기적, 불규칙)로 분할할 수 있다고 간주합니다. 즉, 주어진 시점에서 관찰된 값은 이러한 개별 구성요소의 합계입니다.
SAP HANA에서 가산 모델 [1]은 관찰 값이 추세, 계절적 변동 및 잔여 구성요소의 합계인 시계열 예측 모델의 유형입니다. SAP HANA Predictive Analysis Library(PAL)의 핵심 요소로서, 강력한 계절적 패턴을 보여주는 데이터에 특히 유용합니다.