
652
2
부
신경망과 딥러닝
그림
15-9
12
개월 차분
차분은 연간 계절성을 제거할 뿐만 아니라 장기간 트렌드도 없앱니다. 예를 들어
2016
년에서
2019
년까지 이 시계열에 나타난 선형적인 감소 트렌드가 차분 시계열에서는 거의 일정한 음
숫값이 되었습니다. 사실 차분은 시계열에서 트렌드와 계절성을 제거하기 위해 사용되는 대
표적인 기법입니다. 계절성이나 트렌드가 없어 시간에 따라 통계적 속성이 일정한
정상 시계
열
stationary
time
series
을 분석하는 것이 더 쉽습니다. 차분 시계열에서 정확한 예측을 수행할 수 있
다면 이전에 차감한 과거 값을 다시 더해서 실제 시계열에 대한 예측으로 쉽게 바꿀 수 있습니다.
내일 승객 수만 예측하므로 장기 패턴이 단기 패턴보다 덜 중요하다고 생각할 수 있습니다. 네
맞습니다. 하지만 장기 패턴을 고려하면 성능을 조금 더 향상시킬 수 있습니다. 예를 들어 일
일 버스 승객이
2017
년
10
월 약
2
,
500
명 줄었는데 이는 매주 약
570
명의 승객이 줄었다는 것
을 의미합니다. 따라서 현재가
2017
년
10
월이라면 지난 주 값에서
570
을 빼서 내일 승객 수를
예측하는 것이 합리적입니다. 트렌드를 고려하면 평균적으로 예측의 정확도를 조금 더 높일 수
있습니다.
이제 이 승객 시계열에 익숙해졌고 계절성, 트렌드, 차분, ...