Cover of Time Series Forecasting, edition 2026.11.11, code 1RPH-3A4D Time Series Forecasting 1RPH-3A4D 11 editions since Nov 2026 Rolling Edition 2026.11.11

시계열 예측

2026.11.11판 예제 통과 2026년 11월 20 41개 예제 중 41개 통과 변경 사항

AI로 번역함. 영어 원문을 사람이 검증함. 우리가 책을 만드는 방식

영어판 2026.11.11판을 번역한 것이다. 원문 읽기

하루 앞의 수요를 예측하고 그 예측이 믿을 만한지 확인하는 방법을 다룬다. 30개 고객사의 시간별 전력 수요 데이터를 사용하며, 기준선, 미래를 전혀 보지 않는 백테스트, 통계 모델, 모든 고객사를 하나로 다루는 LightGBM 모델, 합계가 맞아떨어지는 총량 예측, 보정된 예측 구간을 차례로 살펴본다.

대상 독자 pandas와 기초 회귀를 알고 있으며, 판매량, 에너지, 티켓, 트래픽 같은 수요를 예측하라는 요청을 받았고, 검증을 거쳐도 유지되는 예측이 필요한 데이터 과학자와 분석가를 위한 책이다.

읽기 시작
판 이력2026년 11월 이후 11판모든 판과 각 판에서 바뀐 내용
2026.11.12026.11.11
2026.11.11 · 2026년 11월 21문장 수정,새 콘텐츠35절 변경됨

목차

10장, 읽는 데 약 7시간 45분, 41개 예제 포함.

  1. 1내일의 수요 예측하기

    이 장에서는 내일의 수요에 대한 첫 예측과, 이후의 모든 예측이 넘어서야 하는 단순한 기준선을 만든다. 한 고객의 시간별 수요를 불러오고, 계절성 단순 기준선과 통계 모델 하나로 다음 날을 예측한 뒤, 두 예측을 같은 7일에 대해 채점한다. 결과는 의도적으로 거칠다. 예측 구간도 없고, 튜닝도 없으며, 판단의 근거도 고객 한 명뿐이다. 이후의 각 장에서 그중 한 부분씩을 탄탄하게 다진다. 필요한 것은 Python, pandas, 표본의 평균, 그리고 오차가 무엇인지에 대한 이해뿐이며, 핵심 용어는 처음 나올 때 한 줄로 정의한다.

  2. 2모델이 넘어야 할 기준선 정하기

    이 장에서는 한 고객의 하루 전 예측에 대해 나이브(naive), 계절 나이브(seasonal naive), 주 평균(average of weeks)의 세 가지 기준선을 계산한다. 그리고 예측 주 이전의 측정값만 읽는 척도를 사용해 MASE로 고객의 오차를 척도화한다.

  3. 3미래를 내다보지 않는 백테스트

    이 장에서는 과거 이력에 미래가 섞여 들어가지 않도록 하면서 1년 치 기준 시점(cutoff)에 걸쳐 하루 앞 예측을 평가하는 방법, 데이터에 있는 두 번의 시계 변경 시간대를 다루는 방법, 기준 시점 이후의 값을 읽는 피처를 잡아내는 시프트 테스트를 실행하는 방법을 배운다. 2장에서 다룬 계절성 나이브 기준선, MAE, 이력에서 구한 스케일이 필요하다. 방법은 그대로이다. 달라지는 것은 평가를 반복하는 횟수와, 매번 데이터를 얼마나 신중하게 자르는가이다.

  4. 4클라이언트별 통계 모델 적합

    여기서는 같은 백테스트에서 클라이언트마다 AutoETS와 고정 계절 ARIMA를 적합하고, 두 모델을 계절 나이브와 비교해 점수를 매기며, 늦게 시작한 클라이언트를 그 클라이언트의 첫 측정값부터 시작하는 방법을 배운다. 이 장은 앞선 두 장의 기준선과 백테스트를 전제로 한다.

  5. 5달력 특성과 지연 특성 추가하기

    이 장을 마치면 한 고객의 시간별 이력을 특성 표로 바꾸고, 하루 앞 예측이 볼 수 있는 지연 특성과 달력 및 공휴일 특성을 추가하고, 같은 구간에서 각 특성이 더하는 효과를 측정하고, 예측 대상 날짜를 읽는 지연 특성을 찾아낼 수 있다.

  6. 6하나의 모델로 여러 고객 예측하기

    이 장을 마치면 서른 고객 전체를 위한 전역 모델 하나, 늦게 시작한 고객들의 앞부분 0이 모델에 들어가지 않게 하는 시작 규칙, 그리고 같은 기준 시점에서 고객별로 이 모델을 계절 나이브(seasonal naive)와 나란히 비교하는 점수를 얻게 된다. 공급사의 하루 전 구매량은 7장이 서른 개의 고객 예측으로부터 만들어 내는 합계다. 고객별 모델은 윈도마다 고객 수만큼, 즉 서른 번 적합해야 한다. 고객들은 하루 단위의 리듬을 공유하므로, 전체 고객으로 적합한 모델 하나가 그 리듬을 한 번만 학습하면 된다.

  7. 7합계를 맞추기

    30명 고객의 총수요를 두 가지 방법으로 예측하고, 결정 구간에서 두 방법 중 하나를 선택한 다음, 각 기준 시점 이전의 이력만 사용해 그 총량을 고객별 몫으로 나눈다.

  8. 8예측 불확실성 정량화

    이 장에서는 하루 앞 예측마다 범위를 설정하여, 구매가 그 예측에 의존할 수 있는지 판단할 수 있게 한다. 평가하는 날보다 앞선 날들을 사용해 예측 구간을 보정하고, 그 구간이 얼마나 자주 실제 값을 포함하는지 측정하며, 오류에 따르는 두 가지 비용을 바탕으로 구매할 수준을 선택한다.

  9. 9Prophet과 파운데이션 모델 비교

    이 장을 마치면 책에서 표준으로 쓰는 세 개의 기준 시점(cutoff)에서 Prophet을 적합하고, 기록된 파운데이션 모델(Chronos-2)과 기록된 신경망 모델(NHITS)을 불러와, 모든 모델을 같은 관측값에 대해 하나의 MASE 척도로 평가할 수 있다.

  10. 10Keep the forecast running

    Once a forecast runs every day, the question changes from whether it scored well to whether it still holds on the day it's used.

이 절 인용

형식

각 형식은 이 번역이 따르는 영문 원서를 출처로 표기한다.

모든 형식은 이 판을 명시한다. 링크는 현재 판을 열며, 여기서 절의 제목은 본문이 마지막으로 바뀐 시점을 알려 준다. 접근 날짜와 검색 날짜는 이 자료를 여는 날짜다.