비정상적 시계열 데이터 특성에 따른 비모수 기계학습 알고리즘 선택 연구
Nonparametric Machine Learning Model Selection for Uncertainties in Time Series Data Analysis
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
끊임없이 변화하는 도시 인프라의 수요예측의 정확도에 따라 미래 도시의 경쟁력은 달라질 수 있으며, 도시 시계열 데이터 예측은 시간에 따른 변화양상이 큰 도시 인프라의 수요예측에서 핵심적인 역할을 한다. 기존 시계열 수요예측은 통계적 모형(ARIMA, SARIMA)에 의존해 왔으나, 통계적 모형은 사전가정으로 비선형적 패턴을 포착하는 데 한계가 있어 사전 가정의 한계에서 자유로운 기계학습모형이 비선형적 데이터 처리에 활용되는 추세다. 다만, 다양한 기계학습 알고리즘 중 어떤 알고리즘이 도시 내 인프라 수요 예측에 적합한 지에 대한 논의는 계속해서 이뤄지고 있는 추세이다. 본 연구에서는 COVID-19 이후 불확실성이 커진 도시내 철도수송수요를 대상으로 다변량 기계학습모형과 단변량 기계학습모형의 성능 및 활용방안을 비교 및 검증하였다. 분석 결과, Prophet은 비정상적 시계열적 자기상관성을 고려하며, COVID-19 및 올림픽을 고려한 예측에서 탁월한 성능을 보여주었다. 단, XGBoost는 외부요인에 대한 계량화를 통해 역별 수송수요의 특성을 파악할 수 있었다. 따라서, 기계학습 알고리즘의 선택은 분석의 목표·활용 방향성에 맞춰 활용한다면 보다 효율적인 전략수립에 도움이 될 것이다.
Abstract
Cities primarily rely on accurate forecasts of rapidly evolving infrastructure demands to maintain a competitive edge, and time series analysis is central to predicting infrastructure needs that exhibit significant fluctuations over time. Although traditional time series forecasting has predominantly utilized statistical models (such as ARIMA and SARIMA), these approaches face inherent limitations in capturing nonlinear relationships due to their underlying assumptions (e.g., predetermined assumptions). Machine learning models, by contrast, are freed from such assumptions and excel at handling nonlinear data while automatically adjusting algorithm performance—leading to their growing adoption in railway demand forecasting. Nonetheless, the question of which machine learning algorithm is best suited for predicting urban infrastructure demand remains a topic of ongoing discussion. In this study, we compare and validate the performance and practical applications of multivariate and univariate machine learning models for forecasting urban railway demand, especially under heightened uncertainty following the COVID-19 pandemic. Our findings indicate that Prophet, which accounts for time-series autocorrelation, delivers exceptional performance when forecasting irregular events, such as COVID-19 impacts and the Olympics. Meanwhile, XGBoost can quantify external factors, enabling deeper insights into station-specific demand characteristics. Consequently, selecting and applying a suitable machine learning algorithm—one that aligns with the objectives and intended use of the analysis—can play a pivotal role in developing more efficient strategies.