시계열데이터 분석

1번 목적

미래의 값을 예측해내기 위함

이번에 재료가 바로 시계열데이터임

 

시계열 데이터	시간을 통해 순차적으로 발생하는 관측 데이터의 집합
	반드시 고정된 시간 구간의 관측치이어야함
	정상시계열(Stationary) : 평균과 표준편차가 일정하다는 조건 비정상이라면, 차분이나 로그함수를 씌워서 정상시계열로 변환먼저 해야됨
	'Monthly'  -> 'Quarterly -> 'Yearly'  ( 변환 가능! ) 'Yearly' -> 'Quarterly' -> 'Monthly'  ( 변환 불가능! )

 

 

변동의 종류

추세(Trend) 변동	상승 아니면 하락
계절(Season) 변동	1년안에 월단위 반복?  분기별 반복 패턴?
순환(Circulation) 변동	경기변동  5년, 10년처럼 장기간 동안 간격을 두고 상승, 하락이 주기적으로 반복되는 패턴 추세변동과 결합해 주로 분석을 진행
불규칙(irregular) 변동	나머지 패턴들

 

 

양적예측방법	데이터가 많을때 과거에 대한 정보(양적 자료)를 기반으로 법칙을 추정해 예측하는 방법 평활법, 분해법, ARIMA(시간영역), Fourier(주파수영역)
질적예측방법	과거의 정보가 없거나 불충분한 경우 미래 예측을 위해 전문가들의 주관적 견해를 사용 델파이 기법과, 시나리오 기법

 

Azure의 시계열데이터 저장/분석 서비스

아직 한국리전 미지원 이지만,

미국 서부, 미국 동부, EU 서부 및 EU 북부 지역

 

Azure Time Series Insights를 사용하면 하루에 수억 개의 센서 이벤트를 수집할 수 있으며 1분 이내에 인사이트를 쿼리하는 데 새 데이터를 사용할 수 있습니다. 또한 이 데이터를 몇 달 동안 유지할 수 있습니다. Time Series Insights는 근실시간 및 기록 TB의 데이터 조합을 몇 초 만에 쿼리할 수 있도록 최적화되었습니다.

 

출처: <https://azure.microsoft.com/en-us/blog/announcing-azure-time-series-insights/>

IoT Hub 또는 Event Hub 구성 정보를 입력하기만 하면 Time Series Insights가 연결되어 1분 이내에 여기에서 실시간 데이터를 가져와 저장하기 시작합니다. 

 

엔터프라이즈 규모, 안정성, Azure Active Directory 통합 및 운영 보안을 제공합니다.

 

 

Python으로 시계열 예측 모델을 학습시키도록 AutoML 설정

 

출처: <https://learn.microsoft.com/ko-kr/azure/machine-learning/how-to-auto-train-forecast>