MLOps 도입 가이드

195

11장 소비예측

●

기상학적 변수(온도, 바람, 태양): 건물의경우,열관성(

thermal



inertia

)이매우크기때문에최소

2

일에서

최대

3

주간의과거온도를고려해야한다.

어떤 종류의 머신러닝 알고리즘을 활용하든, 개별 예측 결과를 사용하기보다는 하루 내, 주 단

위 또는 연 단위로 사용하므로 예측 곡선의 평활도가 중요하다. 물론 많은 알고리즘이 데이터

가 상호 독립적이고 동등하게 분포되어 있다는 가설에 의존하기 때문에 예측 곡선의 부드러운

곡률을 별도로 고려하지 않는다. 하지만 이번 장에서 다룬 예시의 경우 주어진 날의 소비가 대

개 전날의 소비 및 지난 주의 소비와 연관되어 있으므로 이 가설이 적합하지 않으므로 예측 곡

선의 평활도를 확인해야 한다.

일반화 가법 모델

generalized

additive

model

(

GAM

)은 좋은 출발점이 될 수 있다. 이 모델은 곡선을 기

반으로 하기 때문에 예측 곡선에서 곡률의 부드러움을 보장할 수 있다. 사실, 소비 예측이 바로

이 모델을 개발한 목적 중 하나였다. 이 방법을 활용해서 기후 예측 모델과 결합하여, 머신러닝

모델 기반의 연간 소비 예측 모델을 도출해낼 수 있다.

단기 예측은 더 복잡하다. 그나마 가장 간단한 방법은 최근의 이력 데이터에서 중기 예측에 해

당하는 부분을 제거한 나머지 데이터에 대해

ARIMA

auto

regressive

integrated

moving

average

또는 지수

평활법

exponential

smoothing

과 같은 표준 시계열 기법을 ...