2. 전통적 방법 : 시계열 데이터 구성요소(추세, 순환, 계절, 우연변동)

*유튜브 김성범[소장 / 인공지능공학연구소] 강의를 바탕으로 정리한 내용입니다.

 

 1  시계열 데이터 구성요소

1. 추세변동(Trends)

• 시간이 경과함에 따라 관측값이 지속적으로 증가하거나 감소하는 추세를 갖는 경우의 변동
• 10년 이상 동일방향으로 상승 또는 하강 경향을 나타내는 요인
• 주로 경제 데이터에서 발생

 

2. 순환, 주기변동(Cycle)

• 주기적인 변화를 가지나 계절에 의한 것이 아니고 주기가 긴 경우의 변동
• 확장과 수축 과정을 반복하는 주기적인 변동요인
• 주기나 폭이 애매하지만 cycle이 있음

 

3. 계절변동(Season)

• 주별, 월별, 계절별과 같이 주기적인 요인에 의한 변동

 

4. 우연변동, 불규칙변동

• 시간에 따른 규칙적인 움직임과는 무관하게 랜덤한 원인에 의해 나타나는 변동
• 천재지변, 정책 변화 등에 의해 일어나는 단기적, 불규칙적인 변동요인
• 백색잡음(White Noise) : 평균이 0이고 분산이 일정한 시계열 데이터

 

 2  시계열 예측모델

• 시계열회귀분석(Time seires regression)
• 지수평활법(Exponential smoothing)
• 박스-젠킨스 시계열분석법(The Box-Jenkins time series method)
  • 1970년대 실용화된 방법
  • 차분, 계절차분을 이용하여 체계적이고 간단하게 처리
  • 모형식별, 추정, 진단, 예측 방법을 체계적으로 확립
  • 모형 : ARIMA 모형
• 다양한 머신러닝 방법(Hidden Markov models, Deep neural networks, ... )