시계열 예측을 위한 딥러닝 모형의 교차 검증 방법 비교 연구 (Comparison of time series CV methods for deep learning)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 35권 / 3호 / 397 ~ 410페이지
· 저자명 : 서용원, 백창룡

초록

본 논문에서는 딥러닝 모델을 이용해 시계열 데이터 예측을 진행하는 경우 활용될 수 있는 교차 검증 방법들을 비교 연구하였다. 시계열 자료의 교차 검증 방법은 시간에 대한 의존성을 보존해야 하기에 자료를 몇 개의 블록으로 나눈 뒤 블록을 임의로 배치하는 방법을 사용하고 있다. 블록을 나누고 배치하는 방법에 따라 소위 TS, KF 그리고 RW 방법론이 널리 쓰이는데, 본 논문은 교차 검증법에 따른 딥러닝 모형의 예측력을 비교하여 시계열 교차 검증법에 대한 장단점을 파악하고자 한다. 각기 다른 특성을 보인 국제 유가, 다우존스 실현 변동성, 전력사용량, 초미세먼지 자료를 이용하여 예측력을 비교한 결과 특정한 교차 방법이 다른 방법론에 비하여 절대적인 우위를 차지하지는 않았다. 하지만 KF 방법의 경우 정상시계열의 특징을 가진 데이터에 대해 좋은 성능을 보였고, 이상 데이터를 포함하고 있는 경우 강건한 결과를 주었다. TS 방법은 주기성을 가지는 자료에서 좋은 성능을 보인 반면 RW 방법은 학습에 필요한 시간이 짧아 계산 시간에 이점이 있었다.

영어초록

In this paper, we compared cross-validation methods for time series data prediction using deep learning models. These methods preserve time dependencies by dividing data into blocks and shuffling them randomly. Commonly used block division and shuffling methods include TS (Time series split), KF (KFold), and RW (Rolling window). This paper aims to assess the predictive performance of deep learning models under different cross-validation techniques and identify the strengths and weaknesses of these methods. We evaluated predictive performance using international oil prices, Dow Jones realized volatility, electricity consumption, and PM2.5 data. The results showed that no single cross-validation method outperformed uniformly over others. However, the KF method performed well on stationary time series data and was robust against anomalies. The TS method performed well on data with periodicity, while the RW method offered computational advantages due to shorter training times.

참고자료

· 없음