구간 시계열 자료의 딥러닝 예측 (Deep learning approaches for interval prediction)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 34권 / 6호 / 893 ~ 904페이지
· 저자명 : 이승아, 백창룡

초록

본 논문에서는 여러 딥러닝 모형을 이용한 구간 시계열 예측을 고려하였다. 사용한 딥러닝 모형으로는 대표적인 딥러닝 시계열 모형인 LSTM, 양방향 LSTM, 어텐션 메커니즘, Dlinear, Nlinear 다섯 가지 모형이 있다. 또한 구간 시계열을 표현하는 두 가지 방법, 즉 상한과 하한 및 중심과 팔길이 표현법에 대해서 소개하고 두 표현 방법의 예측력에 대해서 비교하였다. 특히 딥러닝 방법론의 성능을 크게 좌우하는 튜닝 모수는 시계열 자료의 특성을 살려 훈련/검증/시험 데이터로 분할하는 교차 검증법을 이용하여 선택하였다. 소개한 방법론들은 미국 증시의 은행주들에 대한 ETF인 Financial Select Sector SPDR Fund의 일별 최댓값 최솟값 데이터의 $m$-단계 표본 외 예측 오차 비교를 통해 예측 성능을 비교하였다. 그 결과 전통적인 추세와 계절성 분해를 활용하는 Dlinear 및 Nlinear와 같은 선형 딥러닝 모형의 예측이 좋은 성능을 보였다.

영어초록

We consider interval-based time series forecasting using various deep learning models. The deep learning models utilized in this study consist of five prominent time series models: long short-term memory (LSTM), bidirectional LSTM, attention mechanism, Dlinear, and Nlinear. Additionally, we introduce two different representations for interval time series data: upper and lower bounds, and center and radius representation. We also compare the predictive performance of these two representations. In addition, we split the data into training, validation, and test sets for cross-validation techniques to select best tuning parameters while taking into account the characteristics of time series data. The empirical analysis utilizes data from the Financial Select Sector SPDR Fund, and the forecasting performance is measured through comparison of $m$-step out-of-sample forecasting error. The results indicate that linear deep learning models with relatively simpler structures such as Dlinear and Nlinear, which utilize traditional trend and seasonality decomposition, demonstrate strong predictive performance.

참고자료

· 없음