AI 용어집 · 기초 · 전통 ML·추천·검색
시계열 예측 Time Series Forecasting
시계열 예측은 시간 순서대로 쌓인 데이터(매일 매출, 시간별 전력 사용량 등)의 과거 패턴을 분석해 앞으로의 값을 미리 내다보는 것입니다.
어떻게 작동하나
시계열 데이터에는 보통 오래 오르거나 내리는 흐름(추세), 일정한 주기로 반복되는 패턴(계절성), 설명하기 어려운 잡음이 섞여 있습니다. 예측 모델은 과거 데이터에서 이런 요소를 찾아낸 뒤 앞으로도 이어진다고 보고 미래 값을 계산합니다. 전통적으로는 추세와 계절성을 수학적으로 모델링하는 통계 기법을 썼고, 요즘은 그래디언트 부스팅 같은 머신러닝이나 딥러닝 모델도 많이 씁니다. 날씨, 휴일, 할인 행사 같은 바깥 정보를 함께 넣으면 예측이 더 정확해지는 경우가 많습니다.
시계열 예측 방법의 갈래
통계 기법추세·계절성을 수식으로
- 데이터가 적어도 쓸 만함
- 결과를 설명하기 쉬움
머신러닝·딥러닝패턴을 데이터에서 학습
- 바깥 정보를 함께 넣기 쉬움
- 데이터가 많을수록 유리
시계열 파운데이션 모델미리 학습된 범용 모델
- 새 데이터에 바로 적용 시도
- 업무 데이터로 검증 필요
공통 모두 과거 패턴이 미래에도 이어진다고 가정함
왜 중요한가
미래를 어느 정도라도 내다볼 수 있으면 미리 준비할 수 있습니다. 유통업체는 수요 예측으로 재고를 얼마나 쌓을지 정하고, 전력 회사는 사용량 예측으로 발전량을 조절합니다. 콜센터 인력 배치, 서버 증설 계획, 금융 위험 관리에도 쓰입니다. 예측이 조금만 나아져도 재고 낭비나 공급 부족을 줄일 수 있어 기업에서 수요가 큰 분야입니다.
알아 둘 점
예측은 미래가 과거와 비슷하게 흘러간다는 가정 위에 서 있습니다. 감염병 확산이나 갑작스러운 정책 변화처럼 과거에 없던 일이 생기면 크게 틀릴 수 있고, 이런 변화를 데이터 드리프트의 한 형태로 보고 꾸준히 모델을 점검해야 합니다. 그래서 하나의 숫자보다 "이 범위 안에 들어올 가능성이 높다"처럼 범위로 예측을 제시하는 것이 실무에서 더 유용할 때가 많습니다. 최근에는 수많은 시계열로 미리 학습해 새 데이터에도 바로 예측하는 시계열 파운데이션 모델도 나오고 있지만, 업무 데이터에 맞는지 직접 검증해 보는 과정이 여전히 필요합니다.
예시
편의점 체인은 점포별·상품별 과거 판매량에 요일, 날씨, 지역 행사 정보를 더해 다음 며칠간의 판매량을 예측하고, 그 결과로 발주량을 자동으로 정합니다. 클라우드 서비스 운영팀은 시간대별 접속량을 예측해 사람이 몰리기 전에 서버를 미리 늘려 둡니다. 예측값과 실제 값이 크게 벌어지면 이상 신호로 보고 경보를 띄우는 식으로 이상 탐지와 함께 쓰이기도 합니다.