ITPE * JackerLab

개요Prophet은 Facebook(현 Meta)에서 개발한 오픈소스 시계열 예측 모델로, 비전문가도 손쉽게 사용할 수 있도록 설계된 자동화 기반의 예측 프레임워크다. 일별, 주별, 월별 등 정기성을 갖는 시계열 데이터에 대해 강건한 예측을 제공하며, 결측값과 이상치에 대한 내성도 높다. 마케팅, 비즈니스 수요 예측, 트래픽 분석 등에서 널리 사용된다.1. 개념 및 정의Prophet은 Additive Model 기반 시계열 예측기로 다음과 같은 구조를 따른다:y(t) = g(t) + s(t) + h(t) + εₜ 구성 요소 설명 g(t)트렌드: 데이터의 전반적 성장 곡선 (piecewise linear/logistic)s(t)시즌성: 연간, 주간 등 반복되는 패턴h(t)휴일 효과: 특정 이벤트(예: 명..

개요Autoformer는 시계열 데이터의 장기 예측을 위해 설계된 트랜스포머 기반 모델로, 시계열 분해(Series Decomposition)를 내재화한 독창적인 구조를 갖고 있다. 기존 트랜스포머의 계산 복잡도를 유지하면서도 시계열의 추세(Trend)와 계절성(Seasonality)을 분리해 모델링함으로써, 예측 성능과 일반화 능력을 모두 향상시킨다.1. 개념 및 정의 항목 설명 정의Autoformer는 시계열을 추세성과 계절성으로 분해하고 이를 Transformer 구조 내에서 학습하는 모델목적장기 시계열 예측의 정확도 향상 및 일반화 성능 개선필요성시계열 내 중복 및 순환성을 명시적으로 분리하여 학습하는 방식이 기존 트랜스포머보다 유리함2. 특징특징설명기존 트랜스포머 대비시계열 분해 내재화입력 시..

개요Informer는 긴 시계열 예측(Long Sequence Time-Series Forecasting, LSTF)을 위한 Transformer 기반 모델로, 기존 트랜스포머의 O(N²) 복잡도를 극복하고 효율적인 추론이 가능하도록 설계되었다. ProbSparse Self-Attention과 디코더 구조 개선을 통해 예측 정확도와 계산 효율을 동시에 높인 것이 특징이다.1. 개념 및 정의 항목 설명 정의Informer는 시계열 데이터를 예측하기 위해 설계된 트랜스포머로, 희소 어텐션과 디코더 병렬화를 통해 속도와 확장성을 개선한 모델목적긴 시계열 데이터를 빠르고 정확하게 예측하는 고효율 구조 구현필요성기존 트랜스포머는 긴 입력 처리 시 메모리와 연산 부담이 큼2. 특징특징설명기존 트랜스포머 대비Pro..