시계열 분석 (Time Series Analysis)

시계열 분석 (Time Series Analysis)

시간 순서로 배열된 데이터의 패턴을 분석하여 미래 값을 예측하는 통계 기법으로, 추세·계절성·주기·불규칙 요소를 분해하여 시간적 의존성을 모델링

특징: 시간 의존성, 자기상관, 순차적 데이터, 정상성 필요

구성요소(분해법)

• •추세(Trend): 장기적 방향성(상승/하락/안정)
• •계절성(Seasonality): 고정 주기 반복 패턴(월별, 분기별)
• •주기(Cycle): 비고정 주기 변동(경기순환)
• •불규칙(Irregular): 랜덤 변동, 예측 불가

정상성(Stationarity)

• •정상 시계열: 평균·분산·자기상관이 시간에 불변
• •ADF 검정(Augmented Dickey-Fuller): 정상성 통계 검정
• •비정상 → 정상: 차분(Differencing), 로그 변환

주요 모델

• •AR(p): 자기회귀, 과거 p개 값으로 예측
• •MA(q): 이동평균, 과거 q개 오차항으로 예측
• •ARIMA(p,d,q): AR+차분(d)+MA, Box-Jenkins 방법
• •SARIMA: 계절성 ARIMA, (p,d,q)(P,D,Q,s)
• •지수평활법: 단순(SES), 이중(Holt), 삼중(Holt-Winters)

평가지표: MAE, RMSE, MAPE, AIC/BIC(모델 선택)

적용사례: 주가 예측, 수요 예측, 트래픽 예측, 기상 예측, 이상 탐지

비교: ARIMA(통계적/선형) vs LSTM(딥러닝/비선형) vs Prophet(분해/자동화)

연관: 회귀분석, 딥러닝(LSTM/Transformer), 이상탐지, 예측 모델링