시계열 예측과 분석: 통계적 모형·혼합형 모형·딥러닝 모형 (2024 세종도서 학술 부문 선정도서)

시계열 예측 방법은 (1) 통계적 방법, (2) 혼합적(hybrid) 방법, (3) 딥러닝 기반 방법으로 구분할 수 있다. 대표적인 통계적 방법은 시계열 분해, ARIMA, VARIMA 등이 있고, 혼합적 방법은 통계적 방법과 딥러닝 기반 방법을 혼합한 시계열 예측 기법으로 Prophet, Neural Prophet 등이 대표적이다. 딥러닝을 기반으로 하는 시계열 모형은 딥러닝의 3대 아키텍처인 MLP, RNN, CNN을 근간으로 시계열의 예측력을 획기적으로 향상시키고 정밀화하였으며, 대표적으로 BlockRNN, TCN, N-HiTs, Transformer, DLinear, TiDE, TFT 등이 있다.
저자는 지난 30여 년간 강단에서 통계적 시계열 모형을 강의해 왔고, 최근 7년여 동안은 머신러닝, 딥러닝, 강화학습, 그리고 XAI(explainable AI)를 강의해 왔기 때문에 딥러닝을 이용한 고수준 시계열 모형의 출현은 시간 문제라고 생각해 왔다. 특히, 최근 3~4년 동안 발표된 딥러닝 시계열 모형은 양적으로나 질적으로나 놀라운 성과를 보여주고 있다.
정밀한 시계열 예측은 금융, 물류, marketing, 인사, 경제계획, 의사결정 등에 결정적인 역할을 한다. 대형마트에는 수만 개의 item들이 있으며, 이 item들의 판매량은 실시간으로 기록되고 있다. 이런 데이터를 이용하여 item들의 판매량을 정확하게 예측하면 생산, 분배, 인력 수급, 배치 및 상품진열, 선택적 promotion, 광고 등에 대한 의사결정에 중요한 정보가 된다. 이러한 형태의 데이터를 multiple 데이터라고 하는데, 각 item의 시계열 관측치가 많을 뿐만 아니라 item의 수도 매우 큰 big data이므로 딥러닝을 기반으로 하는 시계열 모형의 적용은 필수적이다.
그러나 딥러닝 시계열 모형을 적용하기 위해서는 딥러닝에 대한 깊이 있는 사전지식과 tensorflow나 pytorch와 같은 프로그램 언어의 습득도 해야 하는 커다란 장애요인이 존재한다. 이를 회피하기 위해 저자는 간단하게 딥러닝 모형을 적용하고 응용할 수 있도록 Darts와 Neural Prophet이라는 라이브러리를 이용하였다. 저자는 시계열 예측에 있어서 딥러닝을 기반으로 한 시계열 모형과 혼합형 시계열 모형이 빠르게 기존의 통계적 시계열 모형을 대체할 것으로 생각한다. 라이브러리로 인해 딥러닝 모형을 통계적 시계열 모형보다 더 쉽게 적용할 수 있고, 대규모 시계열 데이터의 처리능력과 예측정밀도가 통계적 시계열 모형보다 훨씬 우수하며 이에 더해 예측 결과에 대한 이유와 설명변수의 기여도를 설명할 수 있게 되었기 때문이다.
이 책은 총 30여 개의 시계열 모형과 시계열 패턴 탐색으로 시계열을 예측하는 방법을 적용하고 응용할 수 있도록 구성하였다. 하나의 모형에 2개 이상의 초모수나 모형 가정을 선택하면, 최소한 60여 개의 모형을 주어진 시계열 데이터에 적용할 수 있다는 의미가 된다. 이 책의 내용을 숙지하면 보다 우수한 시계열 예측을 위한 모형설정, 예측 방법, 예측 결과 해석 방법을 습득하게 되며, 하나의 시계열 데이터에 수십개의 모형을 적합하여 만든 자신만의 앙상블 시계열 모형을 구축할 수 있는 능력을 가지게 된다.
좋은 책을 만들기 위해 노력하였지만 부족한 부분이 있을 수 있다. 이 점은 양해를 바라며 출간 후 나올 수 있는 수정사항 등은 자유아카데미 홈페이지(www.freeaca.com) 자료실에 제공할 예정이니 참고하기를 바란다.
끝으로, 이 책의 개념도를 그려주고 교정을 도와준 박진세 군의 노고에 감사를 전하고, 항상 응원하고 격려하는 사랑하는 가족에게도 감사의 마음을 전한다.