전력 수요 예측

일일 전력 수요는 기온의 함수로도 모형화할 수 있어요. 전기요금 고지서에서 보신 것처럼, 더운 날에는 냉방으로, 추운 날에는 난방으로 전기를 더 많이 사용합니다.

이 연습에서는 ARMA 오차를 갖는 이차 회귀 모형을 적합해 보겠습니다. 하루 단위의 1년치 데이터 elecdaily에는 일일 총 수요, 근무일 지표 변수(근무일은 1, 비근무일은 0), 그리고 일일 최대 기온이 포함되어 있어요. 주간 계절성이 있으므로 frequency는 7로 설정했습니다.

첫 세 행을 살펴보세요:

> elecdaily[1:3, ]
       Demand Temperature Workday
[1,] 174.8963        26.0       0
[2,] 188.5909        23.0       1
[3,] 188.9169        22.2       1

elecdaily는 워크스페이스에 미리 로드되어 있습니다.

이 연습은 강의의 일부입니다

R로 배우는 시계열 예측

연습 안내

일일 수요와 최대 기온만 분할(facet)하여 시계열 그래프를 만드세요.
회귀자 행렬을 설정해 최대 기온 MaxTemp, 최대 기온의 제곱을 나타내는 MaxTempSq, 그리고 Workday를 그 순서로 포함하세요. 분명히 cbind()의 두 번째 인수에는 간단한 수학 연산자가 필요합니다.
수요 열에 대해 ARIMA 오차가 있는 동적 회귀 모형을 적합하고, 이를 fit이라고 하세요.
다음 날이 근무일(지표가 1)이고 최대 기온 예측이 20°C라면, 예측 수요는 얼마인가요? forecast()의 xreg 인수에 대한 cbind()에 알맞은 값을 채워 넣으세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Time plots of demand and temperatures
autoplot(elecdaily[, c(___, ___)], facets = ___)

# Matrix of regressors
xreg <- cbind(MaxTemp = elecdaily[, "Temperature"],
              MaxTempSq = ___,
              Workday = ___)

# Fit model
fit <- auto.arima(___, xreg = xreg)

# Forecast fit one day ahead
forecast(___, xreg = cbind(___, ___, ___))

코드 편집 및 실행

이 연습은 강의의 일부입니다

R로 배우는 시계열 예측

SkillTag.level.beginnerSkillTag.label

4.9+

무료로 강의 시작하기

어떤 데이터 분석이든 가장 먼저 해야 할 일은 데이터를 그려 보는 것입니다. 그래프는 패턴, 특이한 관측값, 시간에 따른 변화 등 데이터를 다양한 측면에서 한눈에 파악하게 해 줍니다. 이렇게 그래프에서 확인한 특징들은 가능한 한 예측 방법에도 반영되어야 해요.

Exercise 1: R로 하는 예측에 오신 것을 환영합니다 Exercise 2: R에서 시계열 객체 만들기 Exercise 3: 시계열 그래프 Exercise 4: 계절 도표 Exercise 5: 추세, 계절성, 순환성 Exercise 6: 비계절 시계열의 자기상관 Exercise 7: 계절성과 순환성을 가진 시계열의 자기상관 Exercise 8: ACF를 시계열과 짝지으세요 Exercise 9: 화이트 노이즈 Exercise 10: 주가와 백색 잡음

이 장에서는 다양한 예측 상황에 두루 유용한 일반 도구들을 배웁니다. 벤치마크 예측 방법, 예측 방법이 가용 정보를 충분히 활용했는지 점검하는 방법, 그리고 예측 정확도를 측정하는 방법을 살펴볼 거예요. 여기서 다루는 도구들은 이후 장에서도 여러 예측 방법을 개발하고 탐색할 때 반복해서 사용됩니다.

Exercise 1: 예측과 가능한 미래 Exercise 2: 나이브 예측 방법 Exercise 3: 적합값과 잔차 Exercise 4: 시계열 잔차 점검하기 Exercise 5: 훈련 세트와 테스트 세트 Exercise 6: 비계절성 방법의 예측 정확도 평가 Exercise 7: 계절성 방법의 예측 정확도 평가하기 Exercise 8: 좋은 예측 모델일까요?Exercise 9: 시계열 교차 검증 Exercise 10: tsCV()를 이용한 시계열 교차 검증

지수 평활법으로 만든 예측은 과거 관측값의 가중 평균이며, 관측 시점이 오래될수록 가중치는 지수적으로 작아집니다. 다시 말해, 더 최근의 관측값일수록 더 큰 가중치를 받습니다. 이 틀은 다양한 시계열에 대해 빠르게 신뢰할 만한 예측을 제공하므로, 특히 비즈니스 응용에서 큰 장점이자 매우 중요합니다.

Exercise 1: 지수 가중 예측 Exercise 2: 단순 지수평활법 Exercise 3: SES vs naive Exercise 4: 추세가 있는 지수 평활법 Exercise 5: 홀트의 추세 방법 Exercise 6: 추세와 계절성을 포함한 지수 평활 기법 Exercise 7: 월별 데이터에 Holt-Winters 적용 Exercise 8: 일별 데이터에 대한 Holt-Winters 방법 Exercise 9: 지수 평활의 상태 공간 모형 Exercise 10: 지수 평활을 이용한 자동 예측 Exercise 11: ETS 대 계절형 naive Exercise 12: 시계열과 모델 매칭하기 Exercise 13: ETS는 언제 한계가 있나요?

ARIMA 모델은 시계열 예측에 대한 또 다른 접근을 제공합니다. 지수 평활법과 ARIMA 모델은 시계열 예측에서 가장 널리 쓰이는 두 가지 접근으로, 서로 보완적인 관점을 제시해요. 지수 평활법이 데이터의 추세와 계절성을 기술하는 데 기반한다면, ARIMA 모델은 데이터의 자기상관 구조를 설명하는 데 초점을 맞춥니다.

Exercise 1: 분산 안정화를 위한 변환 Exercise 2: 시계열에 대한 Box-Cox 변환 Exercise 3: 정상성을 위한 비계절 차분 Exercise 4: 정상성을 위한 계절 차분 Exercise 5: ARIMA 모델 Exercise 6: 비계절형 시계열을 위한 자동 ARIMA 모델 Exercise 7: ARIMA 모델로 예측하기 Exercise 8: 비계절성 데이터에서 auto.arima()와 ets() 비교 Exercise 9: 계절형 ARIMA 모델 Exercise 10: 계절형 시계열에 대한 자동 ARIMA 모델 Exercise 11: auto.arima() 옵션 살펴보기 Exercise 12: 계절성이 있는 데이터에서 auto.arima()와 ets() 비교

앞선 장의 시계열 모델들은 많은 시계열에서 잘 작동하지만, 주간 또는 시간 단위 데이터에는 적합하지 않은 경우가 있고, 휴일 효과, 경쟁사 활동, 법·제도 변화 같은 추가 정보를 포함하기 어렵습니다. 이 장에서는 더 복잡한 계절성을 다루는 몇 가지 방법을 살펴보고, 이러한 외생 정보를 모델에 포함할 수 있도록 ARIMA 모델을 확장하는 방법을 고려합니다.

Exercise 1: 동적 회귀 Exercise 2: 광고비를 반영한 매출 예측 Exercise 3: 전력 수요 예측

현재 연습

Exercise 4: 동적 고조파 회귀 Exercise 5: 주간 데이터 예측 Exercise 6: 복수 계절성을 위한 고조파 회귀 Exercise 7: 콜 예약 예측하기 Exercise 8: TBATS 모델 Exercise 9: 전력 수요를 위한 TBATS 모형 Exercise 10: 시계열 예측에서의 미래를 그려봐요!