시계열확률모델

소개

"시계열확률모델"에 대한 내용입니다.

목차

1. 서론

2. 본론
1) 시계열 확률 모델
2) ProPhet
3) 마코브 모델
4) 퍼지 모델링
5) 구조적 베이지안(BSTS)

3. 결론

본문내용

1. 시계열 확률 모델
1) 필요성
- 재무예측과 같이 현실에서는 여러가지 변동적인 환경에 노출된 업무들이 있고 이러한 상황에서 최적의 의사결정을 수행해야 한다.
-> 불확실한 환경하에서 의사결정을 위해서는 예측값에 대한 추정치가 정량화된 신뢰도 값으로 제공되어야 정량적인 분석과 의사결정이 가능하다.

2) 시계열 확률 모델
- 운영지표와 핵심 성과지표 모니터링 방법 : Prophet, Markov 모델
- 딥러닝 확률모델 : DeepAR, DeepState


2. ProPhet
1) 프로핏(Prophet)이란?
- 페이스북에서 개발한 모델로서 2017년에 발표되었다.
- Python/R라이브러리와 함께 제공되는 알고리즘이다.

2) 특성
- 해석 가능한 매개 변수로 이루어진 분해 가능한 모델을 기반으로 한다.
- 시계열 분석을 잘 모르는 도메인 전문가도 사용할 수 있을 정도로 직관적이다.
- 일반화 가법 모델(GAM, Generalized Additive Model)과 유사하다.
- 3개의 모델성분인 추세(trend), 계절성(seasonality), 휴일(holiday)간의 관계를 가법적으로 수식으로 표현하였다.

참고자료

· Auffarth(2021), Machine Learning for Time-Series with python, Packt