지금까지 우리는 선형 시계열 예측에 대해 다뤄왔습니다. 그러나 선형 모델은 비선형 시계열 데이터의 복잡성을 캡처하는 데 제한이 있을 수 있습니다.
이제 우리는 신경망을 사용하여 비선형 시계열 예측을 수행하는 방법을 살펴보겠습니다. 신경망은 다양한 비선형 함수를 모델링할 수 있으며, 비선형 시계열 데이터의 변동성과 추세를 예측하는 데 더 적합할 수 있습니다.
신경망 모델 구성
비선형 시계열 예측을 위해 신경망 모델을 구성하는 방법에 대해 알아보겠습니다.
입력 데이터 준비
먼저, 예측하고자 하는 시계열 데이터를 정리해야 합니다. 시계열 데이터를 입력으로 사용하기 위해 이전 시간 단계의 데이터를 포함하는 우리의 입력 벡터를 생성합니다.
import numpy as np
# 예측하고자 하는 시계열 데이터
time_series = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
# 입력 데이터 생성
def create_input_data(series, time_steps):
data = []
for i in range(len(series) - time_steps):
data.append(series[i:i + time_steps])
return np.array(data)
# 입력 벡터 생성 (시간 단계 = 3)
time_steps = 3
input_data = create_input_data(time_series, time_steps)
print(input_data)
위의 코드는 시계열 데이터 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]를 입력으로 사용하고, 시간 단계가 3인 입력 벡터를 생성하는 예시입니다.
신경망 모델 구성
다음으로, 신경망 모델을 구성합니다. 여기서는 간단한 다층 퍼셉트론(MLP) 모델을 사용하겠습니다.
from keras.models import Sequential
from keras.layers import Dense
# 신경망 모델 구성
model = Sequential()
model.add(Dense(10, activation='relu', input_shape=(time_steps,)))
model.add(Dense(1))
# 모델 요약 정보 출력
model.summary()
위의 코드는 입력 데이터의 시간 단계에 따라 10개의 유닛으로 구성된 첫 번째 은닉층과 출력층을 포함하는 MLP 신경망 모델을 생성하는 예시입니다.
모델 학습과 예측
마지막으로, 신경망 모델을 학습하고 예측합니다.
# 모델 컴파일
model.compile(optimizer='adam', loss='mse')
# 모델 학습
model.fit(input_data, time_series[time_steps:], epochs=100)
# 예측 실행
predictions = model.predict(input_data)
print(predictions)
위의 코드는 신경망 모델을 컴파일하고, 입력 데이터와 목표값을 사용하여 모델을 학습시킨 뒤, 입력 데이터에 대한 예측값을 출력하는 예시입니다.
결론
신경망을 이용한 비선형 시계열 예측은 선형 모델보다 더 복잡한 시계열 데이터에 대해 더 좋은 예측 결과를 제공할 수 있습니다. 신경망 모델의 구성과 학습 방법에 대해 알아보았으며, 이를 활용하여 비선형 시계열 데이터의 예측에 도전해 보세요!