Skip to main content

시계열 예측

시계열 예측​

  • 주요 개념:
    • sktime
    • 마지막 값으로, 평균으로, 표류로 예측
    • 계절성을 고려한 예측

sktime​

  • 시계열 머신러닝 라이브러리
  • 설치:
pip install sktime
  • 예측을 위한 임포트
from sktime.forecasting.naive import NaiveForecaster

실습 데이터​

  • 파일 로딩
import pandas as pd
beer = pd.read_excel('beer.xlsx', parse_dates=True, index_col='quarter')
y = beer.production
  • 20개 분기 날짜 만들기
future = pd.date_range(beer.index[-1], periods = 20, freq ='Q')

예측을 위한 다음 날짜​

#마지막 날짜
last_date = beer.index[-1]

#예측 시작일
start_date = beer.index[-1] + pd.offsets.QuarterBegin()
  • 요일: pd.offsets.Week(weekday=0) #0은 월요일
  • 월초: MonthBegin, 월말: MonthEnd
  • 기초: QuarterBegin, 분기말: QuarterEnd
  • 연초: YearBegin, 연말: YearEnd

예측을 위한 다음 날짜​

# 20개 분기초(5년) 날짜 만들기
future_dates = pd.date_range(start=start_date, periods = 20, freq='QS')

freq

  • 매주 월요일: W-MON
  • 월초: MS
  • 월말: M
  • 분기초: QS
  • 분기말: Q
  • 연초: YS
  • 연말: Y

마지막 값으로 예측​

  • 모든 예측값을 단순하게 마지막 값으로
  • 다양한 경제 금융 시계열에 잘 맞음
  • 데이터가 랜덤 워크(random walk)할 때 최적 예측치(상승 50%, 하락 50% 이므로)
fc_last = NaiveForecaster(strategy="last") #단순 기법
fc_last.fit(y) #모형 적합
y_pred_last = fc_last.predict(fh=future_dates)
pred_last = pd.DataFrame({'production': y_pred_last}, index=future_dates) 

beer.production.plot()
pred_last.production.plot()

평균으로 예측​

  • 과거 데이터의 평균으로 예측
  • 평균 기법으로 예측한 표 만들기
fc_mean = NaiveForecaster(strategy="mean") #평균 기법
fc_mean.fit(y) # 모형 적합: 모형의 파라미터(평균) 추정
y_pred_mean = fc_mean.predict(fh=future_dates)
pred_mean = pd.DataFrame({'production': y_pred_mean}, index=future_dates)
  • 시각화
beer.production.plot()
pred_mean.production.plot()

평균 기간의 제한​

from sktime.forecasting.naive import NaiveForecaster
y = beer.production
fc_mean_12 = NaiveForecaster(strategy="mean", window_length = 12)
#과거 12개 분기(=3년) 평균치만 사용
fc_mean_12.fit(y)
y_pred_mean_12 = fc_mean_12.predict(fh=future_dates)
pred_mean_12 = pd.DataFrame({'production': y_pred_mean_12}, index=future_dates)

beer.production.plot()
pred_mean_12.production.plot()

표류로 예측​

  • 과거 데이터에 나타난 평균 변화량을 적용
fc_drift = NaiveForecaster(strategy="drift")
fc_drift.fit(y) # 모형 적합
y_pred_drift = fc_drift.predict(fh=future_dates)
pred_drift = pd.DataFrame({'production': y_pred_drift}, index=future_dates)

beer.production.plot()
pred_drift.production.plot()

표류 기간의 제한​

fc_drift_12 = NaiveForecaster(strategy="drift", window_length = 12)
fc_drift_12.fit(y)
y_pred_drift_12 = fc_drift_12.predict(fh=future_dates)
pred_drift_12 = pd.DataFrame({'production': y_pred_drift_12}, index=future_dates)

beer.production.plot()
pred_drift_12.production.plot()

마지막 + 계절성​

fc_last_season = NaiveForecaster (strategy="last", sp=4) #계절성 주기: 4분기
#분기 단위 데이터로 표시
yp = beer.production.copy()
yp.index = beer.index.to_period('Q')
future_periods = future_dates.to_period('Q')

#나머지는 동일
fc_last_season.fit(yp)
y_pred_ls = fc_last_season.predict(fh=future_periods)
pred_ls = pd.DataFrame({'production': y_pred_ls}, index=future_periods)

beer.production.plot()
pred_ls.production.plot()

평균 + 계절성​

fc_mean_season = NaiveForecaster (strategy="mean", sp=4) #계절성 주기: 4분기
#분기 단위 데이터로 표시
yp = beer.production.copy()
yp.index = beer.index.to_period('Q')
future_periods = future_dates.to_period('Q')

# 나머지는 동일
fc_mean_season.fit(yp)
y_pred_ms = fc_mean_season.predict(fh=future_periods)
pred_ms = pd.DataFrame({'production': y_pred_ms}, index=future_periods)

beer.production.plot()
pred_ms.production.plot()

표류 + 계절성​

  • 표류에는 계절성이 지원되지 않음
  • 기존 추정치들을 결합
seasonal = y_pred_ls.copy() #마지막 + 계절성을 복사
seasonal.index = y_pred_drift.index #인덱스를 맞춤
y_pred_ds = y_pred_drift + seasonal - y_pred_last #마지막 값이 2번 반복되므로 빼줌
pred_ds = pd.DataFrame({'production': y_pred_ds}, index=future_dates)

beer.production.plot()
pred_ds.production.plot()

퀴즈​