시계열 예측은 기계 학습의 핵심 주제 중 하나입니다. 너무 많은 예측 문제에 시간적 요소가 있다는 사실이 중요합니다. 다른 많은 예측 작업과 달리 시계열 문제는 시간 구성 요소가 더 많은 정보를 제공하기 때문에 더 어렵습니다.

시계열 예측이란 무엇입니까? 

시계열 예측은 재무, 공급망 관리, 생산 및 재고 계획을 포함한 다양한 부문에서 사용되어 가장 널리 사용되는 데이터 과학 접근 방식 중 하나입니다. 시계열 예측에는 자원 할당, 사업 계획, 일기 예보, 주가 예측 등 많은 응용 분야가 있습니다.

기계 학습 기반 예측 모델은 시간과 자원 할당 예측을 용이하게 하기 위해 여러 기업에서 필요한 시계열 프로젝트에서 널리 사용되었습니다. 이 게시물은 시계열 예측을 위한 딥 러닝 프로젝트 작업에 대한 우리의 관점을 공유합니다.

기계 학습 시계열 예측 애플리케이션

시계열 예측은 지속적으로 생성되는 데이터와 운영 변화 및 변화에 적응해야 하는 요구 사항을 다루는 모든 비즈니스 또는 조직에서 사용할 수 있습니다. 여기에서 기계 학습은 다음과 같은 능력을 향상시키는 가장 큰 원동력 역할을 합니다.

• 웹 트래픽 예측: 특정 기간 동안의 온라인 트래픽 속도를 예측하기 위해 경쟁 웹 사이트의 일반적인 트래픽 속도에 대한 공통 데이터와 트래픽 관련 추세에 대한 입력 데이터를 결합합니다.
• 판매 및 수요 예측: 구매 이력, 수요 이력, 계절적 영향 등의 입력과 함께 고객 행동 패턴 데이터를 사용하면 기계 학습 모델이 가장 수요가 많은 품목을 식별하고 역동적인 시장에서 해당 품목의 위치를 ​​정확히 파악할 수 있습니다.
• 날씨 예측: 시간 기반 데이터는 전 세계적으로 네트워크로 연결된 다양한 기상 관측소에서 정기적으로 수집되며 기계 학습 접근 방식을 통해 통계 역학을 기반으로 미래 예측을 위한 데이터를 심층 분석하고 해석할 수 있습니다.
• 주가 예측: 임박한 주가 움직임을 정확하게 예측하기 위해 과거 주가 데이터를 주식 시장의 정기적 및 비정형 급등 및 하락에 대한 정보와 통합할 수 있습니다.
• 경제 및 인구통계학적 예측: 인구 통계 및 경제에는 시계열 데이터를 효과적으로 예측하는 데 활용할 수 있는 수많은 통계 데이터가 있습니다. 결과적으로 이상적인 목표 시장이 결정될 수 있으며 특정 TA와 소통하기 위한 가장 효과적인 전략이 개발될 수 있습니다.
• 학계 : 기계 학습 및 딥 러닝의 개념은 과학적 아이디어를 구체화하고 실행하는 프로세스를 크게 가속화합니다. 예를 들어 무한한 분석 주기를 거쳐야 하는 과학적 데이터는 기계 학습 패턴을 통해 훨씬 더 빠르게 분석할 수 있습니다.

기계 학습의 시계열 예측

계속 진행하기 전에 시계열, 시계열 분석 및 시계열 예측이 나타내는 내용을 검토하는 것이 중요합니다.

시계열 예측 프로세스는 일별, 주별, 월별 또는 연도에 관계없이 시간 경과에 따라 수행되는 관찰 모음입니다. 관찰된 시계열을 특성화하고 데이터 세트의 기본 "이유"를 이해하기 위해 시계열 분석에는 모델 생성이 수반됩니다. 여기에는 이용 가능한 사실에 근거한 예측 및 해석이 포함됩니다. 가장 잘 맞는 모델은 세심하게 처리된 현재 및 과거 데이터를 기반으로 향후 관찰을 예상하기 위해 시계열 예측에 사용됩니다.

기계 학습을 사용한 시계열 분석 예측은 정형 데이터와 비정형 데이터 모두에서 패턴을 식별하는 데 가장 성공적인 것으로 나타났습니다.

시계열 예측에 적합한 딥러닝 모델을 사용하려면 시계열 데이터의 요소를 이해하는 것이 중요합니다.

• 주기성: 시계열에서 반복되는 변동을 찾고 순환적 특성을 결정합니다.
• 트렌드: 일반적으로 선형 모드로 표시되는 시계열의 상승 또는 하강 패턴을 설명합니다.
• 계절성 : 시간이 지남에 따라 반복되는 행동 주기에 주의를 기울입니다.
• 소음: 일반적인 모델 값에서 벗어나는 시계열의 비체계적 요소를 고려합니다.

시계열 예측 모델링

정확도를 달성하고 실수와 손실을 줄이기 위해 시계열 예측에 사용되는 많은 기술이 있습니다. 그럼에도 불구하고 여러 고전 및 현대 기계 학습 기술이 그 효능과 컴퓨터 사용을 입증했습니다. 아래에서 몇 가지 다른 형태의 시계열 분석에 대해 논의할 것입니다.

시계열 예측을 위한 최고의 기계 학습 모델

시계열 예측에는 다양한 모델을 활용할 수 있습니다. 예를 들어 LSTM 네트워크는 과거 데이터를 기반으로 예측을 수행하는 고유한 유형의 신경망입니다. 시계열 분석 및 언어 인식을 포함하여 많은 일에 널리 사용됩니다. 일련의 지연을 입력에 추가함으로써 랜덤 포레스트, 그래디언트 부스팅 회귀 분석기 및 시간 지연 신경망과 같은 모델은 시간 정보를 포함하고 다양한 기간의 데이터를 나타낼 수 있습니다. TDNN은 순차 특성 때문에 순환 신경망이 아닌 피드포워드 신경망으로 구축됩니다.

기계 학습 프로젝트를 위한 프로그래밍 언어를 선택하는 방법은 무엇입니까?

순진한 모델

순진한 모델은 종종 무작위 보행 및 계절적 무작위 보행으로 구현되며, 관측된 가장 최근 값이 다음 기간에 대한 예측의 단위 역할을 합니다(예측은 가장 최근 관측과 동일한 기간의 값을 사용하여 수행됨). ).

지수평활 모델 

지수 평활 시계열 예측 기법을 확장하여 체계적인 추세 또는 계절 요소가 있는 데이터를 지원할 수 있습니다. 이는 잘 알려진 Box-Jenkins ARIMA 계열의 기술 대신 사용할 수 있는 강력한 예측 기술입니다.

아리마/사리마

약어 아리마 복합 시계열 모델을 생성할 때 자동 회귀(AR) 및 이동 평균(MA) 방법의 조합을 나타냅니다. ARIMA 모델에는 계절 및 추세 매개변수가 포함됩니다(예: 주중 더미 변수 및 구별 기능). 또한 데이터의 기본 자기 상관을 처리하기 위해 이동 평균 및 자기 회귀 용어의 통합을 허용합니다.

SARIMA(Seasonal Autoregressive Integrated Moving Average)는 과거 계절 값 및/또는 예측 오류의 선형 혼합을 통합하여 ARIMA의 사용을 확장합니다.

선형 회귀 방법 

예측 모델링은 선형 회귀로 알려진 간단한 통계 방법을 사용하여 자주 수행됩니다. 기본적인 사항에 관해서는 목표 변수의 기반이 되는 독립 변수 방정식을 제공하는 것으로 귀결됩니다.

다층 퍼셉트론(MLP)

"MLP"라는 용어는 모호하게 사용됩니다. 때로는 피드포워드 ANN을 지칭하기 위해 광범위하게 사용되며, 다른 경우에는 여러 계층의 퍼셉트론으로 구성된 네트워크를 설명하기 위해 특별히 사용됩니다.

반복 신경망 (RNN)

RNN은 본질적으로 시간 종속 대상을 예측할 수 있는 메모리 강화 신경망입니다. 순환 신경망은 다음 시간 단계를 결정하기 위해 이전에 획득한 입력의 상태를 기억할 수 있습니다. Recurrent Networks는 최근 많은 필드에 적용되는 많은 수정 사항을 보았습니다.

장단기 기억 (LSTM)

LSTM 셀(특수 RNN 셀)은 모델에 선택할 수 있는 여러 게이트를 제공하여 그래디언트 문제에 대한 솔루션을 찾기 위해 만들어졌습니다. 이러한 게이트를 통해 모델은 의미 있는 것으로 식별할 정보와 무시할 정보를 결정할 수 있습니다. 다른 종류의 Gated Recurrent 네트워크는 GRU입니다.

위에서 언급한 기술 외에도 CNN(컨볼루션 신경망 모델이라고도 함), Random Forest와 같은 의사 결정 트리 기반 모델 및 그래디언트 부스팅 버전(LightGBM, CatBoost 등)을 시계열 예측에 사용할 수 있습니다.

카글

코딩 및 데이터 처리 환경 Kaggle에서 효과적인 웹 트래픽 시계열 예측을 수행할 수 있습니다. 이 엔진에는 많은 매니아 그룹이 수년에 걸쳐 추가한 기술적 기능이 있습니다. 이는 다중 시계열 미래 가치 예측 문제를 처리하는 데 유용한 도구입니다.

라이트 GBM

이것은 주로 테이블 형식 데이터 세트에서 복잡한 패턴을 식별하는 것과 관련된 인기 있는 기계 학습 기술입니다. 결과적으로 판매 데이터 추정치는 매우 정확합니다. 표 기반 예측을 생성할 때 LightGBM은 때때로 기존 ARIMA 방법보다 더 나은 성능을 보입니다.

의사 결정 트리

기계 학습에 기반한 의사 결정 트리는 데이터베이스에서 사물(제품)을 분류하는 데 사용됩니다. 생성된 클래스는 항목의 향후 가격을 예측하는 데 도움이 되는 특정 다변량 시계열 모델을 수신합니다. 이것은 분명히 비즈니스에 사용되는 분석에 가장 적합합니다.

XGBoost

여기에서 사용되는 기계 학습 기술은 표 형식 및 구조화된 데이터에서 작동합니다. Gradient-boosted 결정 트리가 그 중심에 있습니다. XGBoost와 함께 사용하려면 시계열 데이터 세트를 지도 학습 문제로 변환해야 합니다. 

머신 러닝 기술로 허점 찾기

에이다부스트

많은 사람들이 이러한 종류의 예측 알고리즘을 최고의 즉시 사용 가능한 분류기로 간주합니다. 이는 데이터 분류를 정교화하기 위해 다른 효과적인 알고리즘과 결합할 때 가장 잘 작동한다는 것을 의미합니다. 예를 들어 의사 결정 트리와 결합하면 분류하기 가장 어려운 데이터 인스턴스를 식별하는 방법을 점차적으로 학습합니다.

모델의 정확도를 평가하는 방법은 무엇입니까?

어떤 기계 학습 모델이 가장 정확한지 시각적으로 판단하는 것이 항상 가능한 것은 아니라는 점에 유의해야 합니다.

여러 시계열 예측 모델의 전체 예측 정확도를 비교할 때 MAPE(Mean Absolute Percent Error)를 계산하는 방법이 가장 좋은 결과를 얻습니다.

메트릭은 발생의 평균 절대 오류 백분율을 표시합니다. 모델 정확도를 평가하기 위한 계산의 일반적인 원칙은 다음과 같습니다. 예측 정확도가 높을수록 MAPE는 낮아집니다.

시계열 예측 프로젝트 프로세스

예측 시간 모델 생성 측면에서 부정적인 영향을 방지하고 프로젝트의 성공을 보장하기 위해 시계열 예측에 딥 러닝을 배치하기 위해 다음과 같은 조치를 취하고 있습니다.

프로젝트 목표 정의

프로젝트에 대해 자세히 설명하기 전에 주관적인 것을 이해했는지 확인하십시오. 특정 영역과 관련된 일반적인 비즈니스 모델뿐만 아니라 용어 및 중요한 정의를 포함하여 예측 운영 비즈니스 영역의 세부 사항을 이해해야 합니다. 따라서 이 단계에서는 프로젝트의 세부 사항을 정의하기 위해 주제를 철저히 조사해야 합니다.

데이터 탐색

기본 사항을 정의하면 향후 데이터 통찰력 발견을 지원하기 위해 수집해야 하는 데이터의 양을 명확하게 확인할 수 있습니다. 도메인 지식 습득은 플롯 그래프 및 시각화 차트 생성을 구현하여 변형 볼륨을 추가로 분석하기 위한 전략적 데이터 탐색 및 힌지 및 추세 추정에 필요한 수준을 달성합니다. 또한 예측 작업을 정의하고 초기 탐색 조사를 성공적으로 완료하는 데 도움이 됩니다.

데이터 준비

개발팀은 현재 핵심 인사이트를 찾고 중요한 변수를 추가로 제거하기 위해 데이터를 정리하고 있습니다. 기능 엔지니어링 데이터 준비 절차를 시작합니다. 기존 데이터 세트에서 새로운 기능을 만드는 데 필수적인 도메인 지식 영역을 대상으로 하는 것이 기능 엔지니어링의 핵심 요소입니다.

시계열 예측 방법

팀은 수많은 모델로 작업하고 예측의 관련성과 예측 정확도에 따라 하나를 선택합니다. 이는 이전 단계에서 수행된 다양한 시계열 예측의 예비 데이터 준비 및 탐색적 분석을 기반으로 수행됩니다. 적절한 모델 구성과 예측 프로세스 내에서 필요한 요소의 고려는 프로젝트 성능에 대한 모델을 피팅함으로써 보장됩니다.

성능 비교

예측 모델 매개변수의 최적화 및 고성능 결과는 이 단계에서 다룹니다. 데이터 과학자는 데이터 분할을 나타내는 교차 검증 조정 절차를 사용하여 다양한 하이퍼 매개변수 세트로 예측 모델을 훈련합니다. 이 단계를 완료하려면 성능 점수 추정치를 적용하고 다양한 테스트 데이터 세트를 평가해야 합니다. 특정 데이터 유형을 처리할 때 충분한 성능 평가를 얻기 위해서는 out-of-sample 기법을 사용하는 것이 중요합니다.

전개

예측 모델을 프로덕션에 통합하는 것이 이 단계의 일부입니다. 이 시점에서 우리는 다음 AI 기능에 대한 새로운 데이터를 수집하기 위한 파이프라인을 만드는 것이 좋습니다. 향후 작업을 위해 수행해야 하는 데이터 준비 작업에 도움이 됩니다.

데이터를 얻기 위해 반복 루프에는 여러 탐색 및 시각화 단계가 포함됩니다. 시각화를 수행한 후에는 한 걸음 물러서서 더 많은 정보를 수집해야 할 수 있습니다. 모델은 새로운 정보와 통찰력이 생기면 수정되고 업데이트됩니다.

결과적으로 이 단계에서는 필요한 성능 수준에 도달할 때까지 하나 이상의 모델을 개발하고 개선하는 데 중점을 둡니다.

시계열 예측 프로젝트의 과제 

우리는 시계열 예측 프로젝트 작업을 통해 얻은 지식에 대해 논의하고 개발 팀이 직면할 수 있는 잠재적인 어려움을 식별하고자 합니다.

데이터 부족

알고리즘이 더 많은 교육 데이터에 액세스할 수 있기 때문에 데이터 세트 크기가 커짐에 따라 예측 정확도가 높아집니다. 그러나 대상 변수에 과거 또는 계절성 데이터가 부족한 경우 기계 학습을 사용하는 데는 단점이 있습니다. 따라서 데이터가 부족하면 예측 정확도가 전반적으로 떨어질 수 있습니다.

기계 학습 파이프라인 아키텍처 이해

도메인 지식 부족

ML 구현의 중요한 부분인 기능 엔지니어링 단계는 충분한 도메인 지식 없이는 높은 위험을 실행하는 것으로 보입니다. 일반적으로 도메인 전문 지식은 모든 프로젝트의 모델 품질을 지원할 수 있습니다. 도메인 지식 부족으로 인한 문제를 피하기 위해서는 비즈니스 틈새 전문가의 경험이 필요합니다.

주가 예측 프로젝트를 진행하면서 가장 우려했던 점은 이미 강조한 이슈 외에도 주가의 이분산성(heteroscedasticity)과 혼돈(chaotic) 특성에 관한 것이었다.

결론

시계열 예측 프로젝트를 구현하려면 최고 수준의 개발이 필요합니다. 데이터 기반 예측 및 예측의 다음 단계는 의심할 여지 없이 기계 학습 예측입니다. 또한 기업이나 기업가가 ML의 혁신적인 기능을 사용하여 데이터 분석을 강화할 기회를 놓칠 변명의 여지가 없습니다. 그럼에도 불구하고 이 산업에는 전문가만이 관리할 수 있는 몇 가지 잠재적 함정과 임의의 문제가 있습니다.

• 코인스마트. 유럽 ​​최고의 비트코인 ​​및 암호화폐 거래소.Click Here
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://dataconomy.com/2022/11/time-series-forecasting-machine-learning/