Python sktime을 활용한 시계열 머신러닝 모델 구축

섹션별 상세

시계열 데이터는 시간적 의존성과 순서가 중요하므로 일반적인 scikit-learn 파이프라인을 그대로 적용하기 어렵다. sktime은 이러한 시계열 특성을 고려하여 fit, predict, transform 인터페이스를 제공한다.

sktime을 활용한 시계열 머신러닝 파이프라인 구축 과정을 보여주는 다이어그램. — Diagram데이터 파이프라인, 전처리, 모델링, 평가 단계가 sktime 내에서 어떻게 통합되는지 시각적으로 설명한다. 코드 예제와 연계하여 전체 워크플로우를 이해하는 데 도움을 준다.

데이터 전처리와 예측 모델을 결합하기 위해 TransformedTargetForecaster를 사용한다. 이 클래스는 학습 시 전처리를 수행하고 예측 시 자동으로 역변환을 적용하여 원본 스케일의 결과를 반환한다.

python

pipeline = TransformedTargetForecaster(
    steps=[
        ("imputer", Imputer(method="linear")),
        ("detrender", Detrender()),
        ("deseasonalizer", Deseasonalizer(model="additive", sp=24)),
        ("forecaster", ExponentialSmoothing(trend=None, seasonal=None)),
    ]
)
pipeline.fit(y_train, fh=fh)
y_pred = pipeline.predict()

TransformedTargetForecaster를 사용하여 데이터 전처리(결측치 보간, 추세 및 계절성 제거)와 예측 모델을 하나의 파이프라인으로 구성하고 학습 및 예측을 수행하는 코드이다.

근거

TransformedTargetForecaster는 전처리 단계와 예측 모델을 하나의 파이프라인으로 통합한다. — Building a Preprocessing and Forecasting Pipeline 섹션

예측 성능 평가를 위해 MAE와 MAPE 같은 지표를 사용한다. ARIMA와 같은 다른 모델로 교체할 때도 파이프라인의 전처리 단계는 유지한 채 예측기만 변경하면 되므로 실험이 용이하다.

단일 테스트 윈도우는 편향될 수 있으므로 ExpandingWindowSplitter를 활용한 시계열 교차 검증이 필요하다. 이는 학습 윈도우를 점진적으로 확장하며 모델의 일반화 성능을 검증한다.

근거

ExpandingWindowSplitter는 학습 윈도우를 점진적으로 확장하며 모델의 일반화 성능을 검증한다. — Cross-Validating Across Time 섹션

용어 해설

시계열 예측(Time-Series Forecasting): — 과거의 시간 순서 데이터를 바탕으로 미래의 값을 예측하는 기법이다. 추세, 계절성, 노이즈 등 시계열 데이터 고유의 패턴을 분석하여 모델링한다.
계절성(Seasonality): — 시계열 데이터에서 특정 주기(일, 주, 월 등)마다 반복적으로 나타나는 변동 패턴이다. 예측 모델의 정확도를 높이기 위해 이를 제거하거나 모델링에 반영해야 한다.
교차 검증(Cross-Validation): — 데이터를 여러 부분으로 나누어 모델의 학습과 평가를 반복함으로써 모델의 일반화 성능을 확인하는 기법이다. 시계열 데이터에서는 시간적 순서를 유지하며 윈도우를 이동시키는 방식을 사용한다.

기술

Python
sktime
pandas
numpy
ARIMA

활용 사례

센서 데이터 예측
시계열 데이터 전처리
시계열 모델 비교 및 평가

언급된 리소스

GitHubsktime GitHub