Core Concepts
웨이블릿 분석 기법과 기계학습 방법을 결합하여 시계열 예측 문제에 적용하는 것이 기존 방법보다 성능 향상을 가져올 수 있다.
Abstract
이 연구는 시계열 예측 문제에 웨이블릿 분석 기법과 기계학습 방법을 결합하는 세 가지 주요 기여를 제시한다.
첫째, 교차 검증 단계에서 소멸 모멘트 수가 다른 다양한 Daubechies 웨이블릿을 입력 특징으로 사용하여 비시간적 및 시간적 예측 방법을 고려한다.
둘째, 비소멸 웨이블릿 변환과 비소멸 웨이블릿 패킷 변환을 모두 사용하여 이러한 특징을 계산하며, 후자는 잠재적으로 유용한 계수 벡터의 훨씬 더 큰 집합을 제공한다. 웨이블릿 계수는 미래 정보의 누출을 방지하기 위해 일반적인 피라미드 알고리즘의 이동된 버전을 사용하여 계산된다.
셋째, 이러한 웨이블릿 특징을 이전 연구보다 훨씬 더 광범위한 예측 방법에 평가하는데, 여기에는 시간적 및 비시간적 모델, 통계 및 딥러닝 기반 방법이 포함된다. 후자에는 최신 트랜스포머 기반 신경망 아키텍처가 포함된다. 실험 결과는 일반적인 시간 지연 특징을 웨이블릿 특징으로 대체하면 모든 비시간적 방법에서 단기 예측 성능이 크게 향상되며, 장기 예측을 위한 시간적 딥러닝 모델에서도 modest한 이점이 있음을 시사한다.
Stats
시계열 데이터의 단기 예측을 위해 웨이블릿 특징을 사용하면 기존 시간 지연 특징 대비 XGBoost 모델에서 11%, MLP 모델에서 31% SMAPE 감소 효과가 있다.
시계열 데이터의 장기 예측을 위해 웨이블릿 특징을 사용하면 GRU 모델에서 5.5% SMAPE 감소 효과가 있다.
Quotes
"웨이블릿 분석 기법과 기계학습 방법을 결합하여 시계열 예측 문제에 적용하는 것이 기존 방법보다 성능 향상을 가져올 수 있다."
"일반적인 시간 지연 특징을 웨이블릿 특징으로 대체하면 모든 비시간적 방법에서 단기 예측 성능이 크게 향상되며, 장기 예측을 위한 시간적 딥러닝 모델에서도 modest한 이점이 있다."