AI / Big Data · 한장정리

[기술사토픽] 시계열 분석 & 예측 완벽 정리 - 한장정리

ARIMA·SARIMA·Prophet·LSTM 시계열 모델 비교, 시계열 분해, 이상 탐지, 주식·수요예측 활용까지 기술사 빈출 주제를 완벽 정리합니다.

시계열분석ARIMAProphetLSTM시계열예측이상탐지정보관리기술사

Ⅰ.시계열 데이터 특성 & 분해

개념: 시계열(Time Series)은 시간 순서에 따라 측정된 데이터로, 과거 패턴을 분석하여 미래를 예측합니다.

나. 정상성 (Stationarity)

정상 시계열: 평균·분산이 시간에 따라 일정한 시계열. ARIMA 모델의 전제 조건.

검정	목적
ADF 검정 (Augmented Dickey-Fuller)	단위근 검정. 비정상성 확인. p<0.05면 정상
KPSS 검정	정상성 가설 검정. p>0.05면 정상
차분(Differencing)	비정상 시계열→정상 변환. ARIMA의 d 파라미터

모델	유형	특징	적합 상황	파라미터
AR(p)	통계	과거 p개 값의 선형 조합	단순 자기상관	p: 자기회귀 차수
MA(q)	통계	과거 q개 오차의 선형 조합	이동평균 패턴	q: 이동평균 차수
ARIMA(p,d,q)	통계	AR+차분+MA 통합	비정상 단변량 시계열	p,d,q 튜닝 필요
SARIMA	통계	ARIMA+계절성 추가	계절성 있는 데이터	(p,d,q)(P,D,Q,m)
Prophet	통계+ML	추세·계절성·이벤트 자동 분해	비즈니스 시계열. 결측값 강함	직관적 파라미터
LSTM	딥러닝	장기 의존성 학습	복잡·비선형 패턴	레이어·유닛 수
Transformer	딥러닝	어텐션 기반 장거리 의존성	대용량·복잡 시계열	Temporal Fusion Transformer
N-BEATS	딥러닝	잔차 학습·분해 기반	전기·경제 예측	블록 수·스택

시험 포인트

ARIMA(p,d,q): p=AR차수·d=차분횟수·q=MA차수. AIC/BIC로 최적 파라미터 선택.
Prophet 장점: 결측치·이상치 강건·공휴일 효과 추가 가능. 비전문가도 사용 쉬움.

결론

시계열 분석은 수요 예측·이상 탐지·재무 예측 등 비즈니스 핵심 의사결정의 기반입니다.
향후 Foundation Model for Time Series(TimesFM·Chronos)가 범용 시계열 예측 모델로 등장하고 있습니다.

"과거를 이해하지 못하면 미래를 예측할 수 없다. 시계열은 데이터의 기억이다."

블로그: 기술사 학습노트 · imt-log.tistory.com