[시계열] 시계열 알고리즘 정리

ARIMA 

• 설명: 과거 값과 오차를 이용해 미래 예측
• 장점: 이론적 기반 탄탄, 해석 쉬움, 적은 데이터로도 가능
• 단점: 선형관계만 처리, 복잡한 패턴 한계

Exponential Smoothing 

• 설명: 최근 데이터에 더 큰 가중치를 주어 예측
• 장점: 매우 간단, 빠른 계산, 실시간 예측 적합
• 단점: 복잡한 패턴 처리 어려움, 장기 예측 부정확

Seasonal Decomposition 

• 설명: 시계열을 트렌드/계절성/잔차로 분해
• 장점: 데이터 구조 명확히 파악, 전처리에 유용
• 단점: 예측 모델 아님, 정적 패턴만 처리

SARIMA (Seasonal ARIMA)

• 설명: ARIMA에 계절성을 추가한 모델, SARIMA(p,d,q)(P,D,Q)s로 표현
• s는 계절 주기 (예: 월별 데이터면 s=12)
• (P,D,Q)는 계절성 부분의 AR, 차분, MA 차수

최신 머신러닝 방법

Prophet (2017년, 페이스북)

• 설명: 트렌드+계절성+휴일효과를 베이지안으로 모델링
• 장점: 결측치 강건, 휴일 자동처리, 사용하기 쉬움
• 단점: 단변량만 가능, 복잡한 비선형 패턴 한계

LSTM (2010년대)

• 설명: 딥러닝으로 장기 기억을 학습
• 장점: 복잡한 비선형 패턴 학습, 다변량 처리
• 단점: 대량 데이터 필요, 계산 비용 높음, 해석 어려움

Transformer (2019년~)

• 설명: 어텐션 메커니즘으로 전체 시퀀스 동시 처리
• 장점: 매우 긴 시퀀스 처리, 병렬 처리로 빠름
• 단점: 메모리 사용량 매우 높음, 대용량 데이터 필수

N-BEATS (2019년)

• 설명: 순전히 딥러닝만으로 시계열 예측
• 장점: 외부 변수 없이도 좋은 성능, 해석 가능한 백캐스팅
• 단점: 단변량만 가능, 모델 복잡

DeepAR (2017년, 아마존)

• 설명: 확률 분포로 예측 불확실성까지 제공
• 장점: 확률적 예측, 다변량 처리, 콜드스타트 해결
• 단점: 복잡한 모델, 대용량 데이터 필요

TiDE (2023년)

• 설명: 간단한 MLP로 효율적 시계열 예측
• 장점: 매우 간단한 구조, 계산 효율적
• 단점: 새로운 방법, 실무 사례 부족

상황별 선택

적은 데이터 + 해석 중요 → ARIMA, Exponential Smoothing
많은 데이터 + 성능 중요 → LSTM, Transformer
빠르고 간단하게 → Prophet, TiDE
확률적 예측 필요 → DeepAR