Page 26 -

태’에서 현재 데이터의 상태를 추론하는 것이 아닌, 이전 데이터의 오차에서 현재 데이터의 상태
를 추론하겠다는 의미입니다.

7.2.3 ARMA 모델

ARMA(AutoRegressive Moving Average)(자동 회귀 이동 평균) 모델은 AR과 MA를 섞은 모델로 연

구 기관에서 주로 사용합니다. 즉, AR, MA 두 가지 관점에서 과거의 데이터를 사용하는 것이
2
ARMA입니다. 이동 평균 모델에서는 윈도우 라는 개념을 사용하는데, 시계열을 따라 윈도우 크
기만큼 슬라이딩(moving)된다고 하여 이동 평균 모델이라고 합니다. 이동 평균 모델에서 사용하는
수식은 다음과 같습니다.

Z t = a + Φ 1 Z t-1 + … + Φ p Z t-p + θ 1 a t-1 + … + θ q a t-q + a t

7.2.4 ARIMA 모델

ARIMA(AutoRegressive Integrated Moving Average)(자동 회귀 누적 이동 평균) 모델은 자기 회귀와
이동 평균을 둘 다 고려하는 모형인데, ARMA와 달리 과거 데이터의 선형 관계뿐만 아니라 추세
(cointegration)까지 고려한 모델입니다.

ARIMA는 파이썬 코드를 이용하여 직접 살펴보겠습니다.

statsmodels 라이브러리를 이용하여 ARIMA 모델을 구현하는데, 절차는 다음과 같습니다.

1. ARIMA() 함수를 호출하여 사용하는데, ARIMA(p,d,q) 함수에서 쓰는 파라미터는 다음과 같습
니다.

● p: 자기 회귀 차수

● d: 차분 차수

● q: 이동 평균 차수

2. fit() 메서드를 호출하고 모델에 데이터를 적용하여 훈련시킵니다.

3. predict() 메서드를 호출하여 미래의 추세 및 동향에 대해 예측합니다.

2 주어진 전체 데이터 중 한 번에 가져오는 데이터의 부분 집합 크기입니다.

260