Page 24 -

7.1 시계열 문제 DEEP LEARNING

시계열 분석이란 특정 대상의 시간에 따라 변하는 데이터를 사용하여 추이를 분석하는 것입니다.
예를 들어 주가/환율 변동 및 기온/습도 변화 등이 대표적인 시계열 분석입니다. 즉, 추세를 파악

하거나 향후 전망 등을 예측하기 위한 용도로 시계열 분석을 사용합니다.
시계열 형태(the components of time series)는 데이터 변동 유형에 따라 불규칙 변동, 추세 변동, 순

환 변동, 계절 변동으로 구분할 수 있습니다.

● 불규칙 변동(irregular variation): 시계열 자료에서 시간에 따른 규칙적인 움직임과 달리 어떤
규칙성이 없어 예측 불가능하고 우연적으로 발생하는 변동을 의미합니다. 전쟁, 홍수, 화
재, 지진, 파업 등이 대표적인 예입니다.

● 추세 변동(trend variation): 시계열 자료가 갖는 장기적인 변화 추세를 의미합니다. 이때 추세
란 장기간에 걸쳐 지속적으로 증가·감소하거나 또는 일정한 상태(stationary)를 유지하려는

성향을 의미하기 때문에 짧은 기간 동안에는 추세 변동을 찾기 어려운 단점이 있습니다. 추
세 변동의 대표적인 예로는 국내총생산(GDP), 인구증가율 등이 있습니다.

● 순환 변동(cyclical variation): 대체로 2~3년 정도의 일정한 기간을 주기로 순환적으로 나타나
는 변동을 의미합니다. 즉, 1년 이내 주기로 곡선을 그리며 추세 변동에 따라 변동하는 것으
로, 경기 변동이 대표적입니다.

● 계절 변동(seasonal variation): 시계열 자료에서 보통 계절적 영향과 사회적 관습에 따라 1년
주기로 발생하는 것을 의미합니다. 보통 계절에 따라 순환하며 변동하는 특성이 있습니다.

결국 시계열 데이터는 규칙적 시계열과 불규칙적 시계열로 나눌 수 있습니다. 규칙적 시계열은 트

렌드와 분산이 불변하는 데이터이며, 불규칙적 시계열은 트렌드 혹은 분산이 변화하는 시계열 데
이터입니다. 시계열 데이터를 잘 분석한다는 것은 불규칙성을 갖는 시계열 데이터에 특정한 기법
이나 모델을 적용하여 규칙적 패턴을 찾거나 예측하는 것을 의미합니다. 불규칙적 시계열 데이터

에 규칙성을 부여하는 방법으로는 AR, MA, ARMA, ARIMA 모델을 적용하는 것이 가장 널리 알
려져 있습니다. 하지만 최근에는 딥러닝을 이용하여 시계열 데이터의 연속성을 기계 스스로 찾아
내도록 하는 방법이 더 좋은 성능을 내고 있습니다.

258