AI36 자기상관성 2023. 2. 22. Prediction vs forecasting 2023. 2. 22. AARIMA AARIMA(Autoregressive Integrated Moving Average with exogenous inputs)는 exogenous 변수를 고려하는 ARIMA 모델의 한 형태입니다. ARIMA 모델은 시계열 데이터에서 다음 시점의 값을 예측하는 데에 매우 효과적인 방법 중 하나이지만, 시계열 데이터에 종속적인 변수들만 고려하기 때문에 모델의 예측력이 제한될 수 있습니다. AARIMA는 이러한 문제점을 해결하기 위해 exogenous 변수를 모델에 포함시키는 방법입니다. AARIMA 모델은 ARIMA 모델에서 exogenous 변수를 추가한 형태로, 다음과 같은 수식으로 나타낼 수 있습니다. y_t = c + α_1y_(t-1) + ... + α_py_(t-p) + β_1x_1,t + ..... 2023. 2. 21. Exponential Smoothing 지수 평활법 Exponential Smoothing은 시계열 데이터에서 평활화(smoothing)된 값을 예측하는 방법 중 하나입니다. 지수 평활법이라고도 불립니다. Exponential Smoothing은 과거 데이터에 대한 가중치를 지수적으로 감소시키면서 평균값을 계산하는 방법입니다. 이 방법은 최근 데이터가 예측에 더 큰 영향을 미치도록 하면서, 이전 데이터의 영향을 조금씩 감소시켜 예측을 수행합니다. Exponential Smoothing은 ㄴ 단순 지수 평활법(Simple Exponential Smoothing)과 ㄴ Holt-Winters 지수 평활법(Holt-Winters Exponential Smoothing)으로 나뉩니다. 단순 지수 평활법은 단기적인 예측을 수행하는 데 적합하며, 가중치를 지수적으로.. 2023. 2. 21. 이전 1 2 3 4 ··· 9 다음
