시계열 데이터를 분석하는 과정에서 시간 흐름에 따라 변동이 크거나 일정하지 않을 경우 비정상성(Non-Stationarity)을 지니게 되고 이를 전처리 없이 머신러닝 알고리즘에 학습할 경우 단순 후행 예측, 성능 저하, 잘못된 추론 등의 문제를 야기시킬 수 있습니다. TIME SERIES FEATURES 시계열 데이터에는 일반적으로 시간 순차성(Time Step)과 지연 값(Lag)이라는 고유한 2가지 특성이 존재합니다. 두 특성 모두 시간 축을 바탕으로 발생하며 시계열 문제를 머신러닝 모델로 접근하고 해결하기 위해 유용한 특성입니다. 첫 번째, 시간 순차성(Time Step)은 시간축에서 직접 추출 가능하며 시작부터 끝가지 일정 시간 간격으로 측정된 년, 월, 일, 시간 특성이 대표적입니다. 이는 관..

Time Series Analysis Method : 시계열 데이터 분석 방법 중 가장 기초적인 단순 선형 확률과정 알고리즘을 살펴봄 1. MA(Moving Average) : MA(q) 알고리즘 차수(q)가 유한한 가우시안 백색잡음과정의 선형조합 : Exponential Smoothing 내 Moving Average Smoothing은 과거의 Trend-Cycle을 추정하기 위함이고, MA는 미래 값을 예측하기 위함 : 움직임 특성 Stationarity Condition of MA(1): |𝜃1||𝜃2|𝜃1+𝜃2>−1θ1+θ2>−1, 𝜃1−𝜃2MA모형을 사용하면 차수가 ∞로 감 𝜙1=0: 𝑌𝑡Yt는 백색잡음 𝜙1𝜙1>0: 시차가 증가하면서 자기상관계수는 지수적으로 감소 𝜙1=1: 𝑌𝑡Yt는 비정상성..