18건의 항목
시계열 예측에서 univariate, multivariate, multivariable은 타깃 개수와 입력 변수 개수를 섞어 쓰기 때문에 혼동된다. "univariate target with multivariate input&q...
Regime shift는 시계열의 통계적 특성이 특정 시점 이후 달라지는 현상을 넓게 부르는 말이다. 엄밀한 분석에서는 structural break, level shift, trend change, variance change, reg...
Rolling-origin evaluation은 예측 기준일을 시간 순서대로 이동시키며 여러 번 평가하는 방법이다. 단일 cutoff의 운을 줄이고, 미래 정보가 과거 학습에 섞이는 것을 막는다.
시계열 데이터는 시간 순서가 의미를 갖고, 이전 관측값이 이후 관측값에 정보를 제공하는 데이터다. 이 때문에 일반 i.i.d. 데이터처럼 무작위로 섞어 학습·검증하면 시간 leakage가 생길 수 있다.
시계열 분해는 관측값을 추세(trend), 계절성(seasonality), 잔차(residual)로 나누어 본다. 예측 모델의 feature와 오류 분석을 구조적으로 해석하는 데 유용하다.
시계열 예측에서 feature는 예측 시점에 알 수 있었는지를 기준으로 나눠야 한다. Future-known feature는 미래 기간의 값을 미리 알 수 있는 변수이고, past-only feature는 시간이 지나야 관측되는 변수다.
시계열 예측에서는 언제 예측을 시작하는지와 얼마나 먼 미래를 예측하는지를 먼저 정해야 한다. 시계열 feature와 target은 항상 cutoff 기준으로 정의해야 한다.
Multi-horizon forecasting은 하나의 예측 기준 시점에서 여러 미래 시점을 예측하는 문제다. recursive, direct, DirRec, MIMO 전략은 오류 누적과 학습 구조가 다르다.
내생변수는 예측 대상 자체 또는 그 과거에서 나온 정보이고, 외생변수는 시스템 밖에서 주어지는 설명 변수다. 외생변수도 예측 시점에 알 수 있는지에 따라 사용 가능성이 달라진다.
정상성은 시계열의 통계적 성질이 시간에 따라 변하지 않는다는 가정이다. 실제 수요·트래픽 데이터는 trend, seasonality, regime shift 때문에 비정상인 경우가 많다.
1-MAPE는 MAPE를 "정확도"처럼 보이게 뒤집은 보고용 표현이다. 새 메트릭이 아니므로 MAPE의 한계를 그대로 물려받고, MAPE가 1을 넘으면 음수가 된다.
Fill Rate(주문 충족률)는 예측 정확도 지표가 아니라, 고객이 요청한 수량 중 실제로 얼마나 충족했는지 를 보는 공급망 운영 지표다. 수요 예측은 Fill Rate에 간접적으로 영향을 준다. 과소예측은 결품을 만들고, 과대예측은...
Forecast Bias는 예측이 누적으로 과대인지 과소인지를 보는 signed metric이다. 이 노트에서는 forecast-minus-actual convention을 사용한 normalized forecast bias를 다룬다....
MAPE는 절대 오차를 실제값으로 나눈 뒤 평균낸 상대 오차 메트릭이다. 스케일 독립적으로 해석하기 쉽지만, 실제값이 0 또는 0에 가까울 때 값이 크게 흔들린다.