시계열 예측 학습기

시계열 학습기는 AutoGluon TimeSeriesPredictor를 사용하여 여러 후보를 병렬 또는 순차 학습하고 검증으로 선택합니다. 가중 앙상블이 개별 모델보다 나으면 이를 사용할 수 있습니다. 과거 시계열을 사용하여 정해진 미래 단계 수를 예측하며 출력 모델의 실험 Plots에서 앙상블 구조를 확인합니다.

후보 모델

모델 제외나 하이퍼파라미터 지정으로 후보를 제한할 수 있습니다.

학습 및 정적 데이터

회귀와 분류는 학습 데이터셋만으로 시작할 수 있지만 시계열은 학습 데이터셋과 대응 정적 데이터셋을 구성합니다. 학습에는 최소 타임스탬프와 예측 대상 값 열이 필요합니다.

Item ID는 한 데이터셋의 여러 시계열을 구분합니다. 상품 SKU가 한 예입니다. Known covariates는 공휴일, 주말이나 정해진 행사일처럼 예측 구간 전체에서 이미 아는 값입니다. 나머지 열은 기온이나 유사 상품 매출처럼 미래 값이 알려지지 않은 과거 공변량으로 취급합니다.

정적 데이터는 상점 위치, 고객 연령대나 가격 등급처럼 시간에 독립적인 메타데이터입니다. 학습의 item_id 하나가 정적 데이터 한 행에 대응해야 합니다. 다음은 가상의 예시입니다.

정적 데이터는 item_id로 학습 및 선택적 시험 데이터에 연결합니다.

매개변수

Forecast horizon length는 추론에서 예측할 미래 단계 수입니다. Evaluation metric은 후보를 비교하는 점수이며 이 학습기의 모델 선택 점수는 높을수록 좋은 방향을 사용합니다. Time limit은 학습 시간의 선택적 상한이며 학습이 끝나도 검증과 모델 게시가 완료되어야 전체 작업이 끝납니다.

Quantile levels는 0.1, 0.2, 0.9 같은 분위수 출력을 추가하여 분포 예측을 제공합니다. 0.1 분위수 예측은 실제 값이 그 아래에 있을 확률을 10%로 보는 예측입니다.

Resample options의 Frequency alias는 공통 빈도로 맞추는 기준입니다. auto는 빈도를 추론하고 B는 영업일, W는 주간처럼 pandas offset 별칭을 사용합니다. Numeric aggregation method와 Categorical aggregation method는 재표본화 전 숫자 및 범주 값을 집계하는 방식을 정합니다. Missing value fill strategy는 목표 열의 누락값을 채우는 방법입니다.

Enable ensemble을 켜면 학습한 모델의 가중 앙상블도 후보와 비교합니다. Excluded model types는 사용하지 않을 모델을 지정합니다.

고급 하이퍼파라미터

이 필드에 모델별 설정을 하나 이상 입력하면 포함하지 않은 모델은 학습하지 않습니다. 기본 AutoGluon 설정을 덮어쓰므로 충분히 이해한 경우에 조정합니다. 값은 대체로 해당 구현에 직접 전달됩니다.

{
  "DeepAR": {},
  "Theta": [
    {"decomposition_type": "additive"},
    {"seasonal_period": 1}
  ]
}

이 예시는 DeepAR 하나와 서로 다른 설정의 Theta 두 개만 학습한 뒤 필요한 앙상블을 적용합니다. 출력 모델에는 검증으로 선택한 최적 후보가 담기며 실험에서 매개변수, 지표와 그래프를 확인합니다. 예측 결과는 Quiver, Vertex 또는 Workshop의 시계열 화면에서 분석할 수 있습니다.