📈 시계열 예측 콘텐츠 소개

"시계열 예측"은 시간 순서대로 쌓인 데이터에서 흐름을 배워, 다음 값(수요, 매출, 기온 같은 숫자)이나 다음 상태(재고 부족, 경보 단계 같은 종류)를 예측하는 AI 모델을 만드는 콘텐츠입니다.

예를 들어 지난 12달의 기온과 아이스크림 판매량을 보고 다음 달 판매량(숫자)과 재고 상태(부족/적정/여유)를 함께 맞히거나, 지난 12년의 출산율과 출생아수로 다음 해를 예측하는 식입니다.

시간 열: 표의 첫 열입니다. 연도, 연-월, 날짜처럼 언제의 값인지 적고, 행은 위에서 아래로 시간 순서대로 둡니다.

입력 데이터: AI가 보는 값입니다. 지난 입력 창칸(기본 12칸)의 입력 열 값을 한 묶음으로 봅니다.

출력 데이터: AI가 맞힐 값입니다. 수치 열은 앞으로 출력 창칸(기본 1칸)의 값을(회귀), 카테고리 열은 다음 한 칸의 종류를(분류) 맞힙니다.

입력+출력 데이터: 시계열에만 있는 역할입니다. 한 열이 입력이면서 출력이라, AI가 그 열의 지난 값을 보고 같은 열의 다음 값을 맞힙니다. 기온을 예측하려면 지난 기온을 봐야 하듯 시계열은 자기 과거가 가장 큰 단서라서, 맞히려는 숫자 열은 보통 입력+출력으로 둡니다. 표를 올리면 맨 끝 열이 입력+출력, 나머지가 입력으로 잡힙니다.

모델은 입력 창의 칸들을 차례로 읽으며 기억을 고쳐 나가는 LSTM(RNN의 한 종류)입니다. 마지막 칸까지 읽고 난 상태로 출력 열마다 회귀나 분류 출력층을 붙입니다. 학습 뒤에는 예측값을 다시 넣어 여러 칸을 이어서 예측해 볼 수도 있습니다.

🖥️ UI 컴포넌트 구성 소개

아래는 실제 페이지와 똑같이 움직이는 화면입니다. 예제 "아이스크림 판매량과 재고 상태 예측"이 들어 있으니 학습하기 버튼을 눌러 예측까지 따라가 보세요.

제목

페이지 상단에 시계열 예측 기능을 설명하는 제목이 표시됩니다.

간단 사용법

제목 오른쪽 아래의 "간단 사용법"을 누르면 데이터 준비부터 학습까지의 흐름이 한 장으로 펼쳐집니다. 다시 누르면 접힙니다.

AI로 데이터 만들기

입력 칸에 "월별 기온과 아이스크림 판매량, 재고 상태"처럼 만들고 싶은 시계열을 적고 보내면 AI가 시간 순서대로 된 표를 만들어 아래 표에 넣어 줍니다. 만드는 동안 진행 상황이 화면에 흐릅니다.

예제 불러오기

예제 버튼을 누르면 브라우저에서 바로 표가 만들어집니다. 월별 기온(회귀 3개), 출생아수(회귀 2개), 결혼 연령(회귀 2개), 아이스크림 판매와 재고(회귀와 분류) 예제가 있습니다. "더 많은 예제 보기"는 다른 사람이 공유한 프로젝트 목록을 엽니다.

엑셀 파일 업로드

점선 상자를 누르거나 엑셀 파일을 끌어다 놓으면 표에 올라갑니다. 올라간 뒤에는 상자에 파일명이 표시됩니다.

데이터 표

올라온 데이터를 보여 주는 표입니다. 첫 열은 시간, 나머지가 데이터 열입니다. 이 페이지의 표는 엑셀, 예제, AI 생성으로만 채우고 칸을 직접 고치지는 않습니다. 값을 바꾸려면 표 아래의 다운로드 버튼()으로 엑셀을 받아 고친 뒤 다시 올려 주세요. 표 아래에는 시점 수가 나옵니다.

열마다 세로줄이 역할 색으로 칠해집니다. 파란 줄은 입력, 주황 줄은 출력, 보라 줄은 입력+출력, 회색 줄은 제외한 열입니다.

입력과 출력 정하기 (열 설정 표)

데이터 표 아래에 열마다 역할과 종류를 정하는 표가 나옵니다. 처음에는 자동으로 추정해 두고, 언제든 바꿀 수 있습니다. 오른쪽 위의 "자동 추정으로 되돌리기"를 누르면 처음 값으로 돌아갑니다.

• 역할: 입력, 출력, 입력+출력, 제외 중 하나입니다. 다른 페이지에는 없는 입력+출력이 시계열의 기본 역할입니다. 바로 아래에서 자세히 설명합니다.
• 데이터 종류: 카테고리와 수치 중 하나입니다. 출력 열에서는 종류가 곧 학습 방식입니다. 수치면 회귀(앞으로 출력 창 칸의 값), 카테고리면 분류(다음 한 칸의 종류)입니다.
• 정규화: 수치 열은 0~1, -1~1, z-score(평균 0, 표준편차 1), 없음 중에서 고릅니다. 카테고리 열은 원핫으로 바꾸므로 정규화하지 않습니다.
• 값 미리보기: 카테고리 열은 종류 수와 종류 몇 개, 수치 열은 최솟값과 최댓값과 평균이 나옵니다.

역할 네 가지와 입력+출력

표 통합모델이나 텍스트 분류에서는 열이 입력이거나 출력이지만, 시계열에서는 한 열이 둘 다일 수 있습니다. 지난 12달의 판매량을 보고 다음 달 판매량을 맞히려면 판매량 열이 입력(지난 값)이면서 출력(다음 값)이어야 하기 때문입니다.

표를 올리면 맨 끝 열이 입력+출력, 나머지가 입력으로 잡힙니다. 맞히려는 열이 여러 개면 그 열들을 모두 입력+출력으로 바꿔 주세요. 위 예제는 평균기온과 판매량이 입력+출력, 재고 상태가 출력(분류)입니다.

이어서 예측과의 관계: 예측값을 다시 넣어 여러 칸을 이어 가려면 다음 칸의 입력을 모두 예측값으로 채울 수 있어야 합니다. 그래서 입력 열이 모두 입력+출력일 때만 이어서 예측을 쓸 수 있고, 보기만 하는 입력 열이 하나라도 있으면 한 칸만 예측합니다.

모델 구조 그림

열 설정 표 아래에 지금 설정으로 만들어질 모델이 그려집니다. 입력 창의 칸들이 LSTM 층을 지나 출력 카드로 이어지고, 오른쪽 위에 파라미터 수와 모델 크기가 나옵니다. 그림의 어느 부분에든 마우스를 올리면 그 부분이 하는 일이 나옵니다.

학습하기

준비한 시계열 데이터로 AI 모델을 학습시키는 버튼입니다.

학습 설정

입력 창, 출력 창, 레이어와 노드 수, 학습 횟수 같은 설정을 조정할 수 있는 영역입니다. 자세한 설명은 아래 학습하기 절에 있습니다.

📸 수집하기

시계열 데이터는 시간 열과, 시간마다 기록된 값 열들로 이루어집니다.

학습 창은 표를 입력 창과 출력 창 크기로 잘라 만들므로, 행이 창보다 넉넉히 많아야 합니다. 달마다 있는 데이터면 몇 년치, 날마다 있는 데이터면 몇 달치는 모아 주세요.

작성 시 유의사항

• 시간 열은 첫 열에 두고 위에서 아래로 시간 순서대로 정렬합니다. 아래로 갈수록 최근 데이터입니다.
• 시간은 연(2024), 연-월(2024-05), 날짜(2024-05-01)처럼 한 가지 형식으로 통일합니다.
• 칸 사이의 간격이 일정해야 합니다. 빠진 달이 있으면 채우거나 그 구간을 빼 주세요.
• 맞히려는 열 말고도 함께 움직이는 열(최고기온, 최저기온)을 넣으면 단서가 늘어납니다. 필수는 아닙니다.

외부 데이터

국가통계포털 (KOSIS)

국내 통계 데이터를 가장 광범위하게 제공하는 사이트로, 경제, 기후, 인구, 산업 등 다양한 분야의 데이터를 제공합니다.

기상청 (KMA)

국내 날씨와 관련된 상세 데이터를 제공하며, 기온, 강수량, 바람 등 기상 데이터를 얻을 수 있습니다.

엑셀 파일 데이터 입력 방법

엑셀 또는 구글 스프레드시트에 입력할 때는 다음 규칙을 따라야 합니다

시트 구성

• 시트 하나에 시간 열과 값 열들을 함께 넣습니다.
• 첫 행은 열 이름, 첫 열은 시간입니다.
• 예전 시계열 페이지처럼 원인 시트와 결과 시트로 나눈 파일도 그대로 올리면 자동으로 한 시트로 합쳐집니다. 두 시트에 같은 열이 있으면 하나로 합쳐 입력+출력으로 둡니다.

데이터 형식

• 숫자와 글자를 섞어 써도 됩니다. 재고 상태 열에 부족, 적정, 여유라고 적으면 카테고리로 읽습니다.
• 카테고리 열 하나의 종류는 최대 50개입니다.
• 출력 열이 여러 개여도 됩니다. 열마다 회귀인지 분류인지 열 설정 표에서 정합니다.

크기와 빈칸

• 열은 시간 열을 빼고 최대 20개, 행은 최대 999개입니다.
• 학습에 쓰는 열에는 빈칸이 없어야 합니다. 빈칸이 있으면 학습하기를 눌렀을 때 몇 개인지 알려 줍니다.

예시

파일 업로드

• 데이터를 모두 입력한 후, 파일을 엑셀(.xlsx) 형식으로 저장합니다.
• 업로드하면 위의 규칙에 어긋난 곳을 알려 주니 고쳐서 다시 올리면 됩니다.
• 형식이 헷갈리면 예제를 불러온 뒤 표 아래의 다운로드 버튼으로 엑셀을 받아 그 모양대로 채워 보세요.

📚 학습하기

사용자가 준비한 시계열을 바탕으로 AI 모델이 학습하여 다음 값을 예측하는 과정입니다.

학습은 브라우저 안에서 돌아가므로 데이터가 밖으로 나가지 않습니다. 사용자는 결과만 확인하면 됩니다.

학습하기

학습하기 버튼을 누르면 표를 입력 창과 출력 창 크기의 학습 창으로 잘라 학습이 시작됩니다. 학습 중에는 상단에 진행률 막대가 표시되고, 끝나면 예측 화면이 열리면서 표의 끝에서 한 번 예측해 그래프를 채웁니다.

학습 설정

학습하기 버튼 옆의 톱니바퀴를 누르면 설정 창이 열립니다. 적용한 설정은 다음 학습하기부터 쓰이고, 이미 학습한 모델이 있으면 창 위에 지금 모델의 설정이 나옵니다. 모델은 1MB 안에서 만들어지며, 넘으면 레이어나 노드 수를 줄여 주세요.

입력 창 (과거)

모델에 입력으로 들어가는 과거 칸의 개수입니다. 기본 12칸, 최대 60칸입니다. 달마다 있는 데이터면 12칸이 한 해입니다. 클수록 더 긴 과거를 참고하지만, 행이 창보다 넉넉히 많아야 학습 창이 나옵니다.

출력 창 (미래)

앞으로 몇 칸을 한 번에 맞힐지입니다. 기본 1칸, 최대 24칸입니다. 수치 출력은 이 칸 수만큼 한 번에 맞히고, 카테고리 출력은 늘 다음 한 칸의 종류만 맞힙니다. 1로 두고 예측 화면의 이어서 예측으로 더 멀리 가 볼 수도 있습니다.

레이어 수

LSTM 층을 몇 개 쌓을지 정합니다. 기본은 1층입니다. 많을수록 복잡한 패턴을 학습할 수 있지만 느려지고 과적합 위험이 있습니다.

노드 수

LSTM 층의 상태(기억) 차원입니다. 자동이면 입력과 출력 차원에 맞춰 16~64 사이로 정합니다. 파라미터는 노드 수의 제곱에 비례해 늘어납니다.

학습 횟수 (Epoch)

입력한 데이터 전체를 몇 번 반복하여 학습할지 정하는 부분입니다. 예를 들어 학습 횟수가 10일 경우, 전체 데이터를 10번 반복하여 학습합니다. 많이 학습할수록 더 정확한 모델을 만들 수 있지만 학습 시간이 오래 걸리고, 너무 많으면 과적합(Overfitting)이 생겨 오히려 안 좋은 모델이 될 수 있습니다. 기본값은 100입니다.

배치 크기 (Batch Size)

입력한 데이터 전체를 얼마큼 작은 부분으로 쪼개서 학습할지 정하는 부분입니다. 예를 들어 학습 창이 1000개이고 배치 크기가 100일 경우, 한 번에 100개의 창으로 학습하게 됩니다. 배치 크기가 작을수록 모델이 더 자주 학습하고, 클수록 메모리를 더 씁니다. 기본값은 16입니다.

학습률 (Learning Rate)

AI 모델을 얼마나 빠르게 학습할지 정하는 부분입니다. 학습률이 너무 높으면 학습이 빠르게 진행되지만 최적의 값을 찾지 못할 수 있고, 너무 낮으면 느리게 진행되지만 최적의 값을 찾을 수 있습니다. 기본값은 0.001입니다.

조기 종료 (Early Stopping)와 Patience

켜 두면 검증 loss가 Patience(기본 50)번의 에포크 동안 나아지지 않을 때 학습 횟수를 다 채우기 전에 멈추고, 검증 loss가 가장 낮았던 에포크의 모델로 되돌립니다. 검증 데이터는 학습 창이 20개 이상일 때 떼어 두므로, 그보다 작은 표는 끝까지 학습합니다.

📈 결과보기

결과 UI를 보려면 학습하기 버튼을 클릭하세요.

학습 완료 화면

학습이 끝나면 위 상자에 예측 화면이 열립니다. 열 설정 아래에 있던 모델 그림과 같은 모양이고, 왼쪽이 입력 창, 오른쪽이 출력 카드입니다.

예측 시점

"여기까지 보고 다음을 예측"할 시점을 목록에서 고릅니다. 그래프의 점을 눌러도 같은 시점이 골라집니다. 처음에는 표의 끝이 골라져 있어 아직 오지 않은 다음 칸을 예측합니다. 중간 시점을 고르면 그 뒤의 실제값과 예측을 견주어 볼 수 있습니다.

이어서 예측

예측값을 다시 입력으로 넣어 몇 칸 더 예측할지 정합니다. 기본 6칸, 최대 48칸입니다. 한 칸씩 되먹이므로 멀리 갈수록 오차가 쌓여 흐려지는 것을 볼 수 있습니다. 입력 열이 모두 입력+출력이어야 다음 칸을 채울 수 있어, 예측하지 않는 입력 열이 있으면 이어서 예측을 쓸 수 없습니다.

예측하기

예측하기 버튼을 누르면 예측 시점 앞의 입력 창을 보고 AI가 다음을 예측합니다. 출력 카드에 회귀는 예측값, 분류는 고른 종류와 종류별 확률 막대가 나옵니다.

그래프

수치 출력 열마다 그래프가 하나씩 나옵니다. 실제값은 실선, 예측 시점 뒤의 예측은 주황 점, 이어서 예측은 보라 점선입니다. 모델이 본 입력 창 안의 점은 진하게, 예측 시점의 점은 크게 그려 어디까지 보고 예측했는지 보여 줍니다. 분류 출력의 이어서 예측은 그래프 아래에 칸마다 고른 종류로 나옵니다.

X축: 시간 열의 값. 표의 끝을 넘어선 칸은 "+n 예상"으로 표시됩니다.

Y축: 그 열의 값 (기온, 판매량 등)

학습 결과 그래프

예측 화면 아래에 에포크마다의 학습 loss와 검증 loss 그래프가 나옵니다. loss는 0에 가까울수록 좋습니다. 검증 loss가 다시 오르면 과적합이니 학습 횟수를 그 지점까지 줄이거나 데이터를 늘려 보세요.

저장하기

로그인하면 저장하기 버튼이 켜집니다. 모델 이름, 설명, 데이터 출처, 썸네일, 공개 여부를 적어 저장하면 공유 주소가 생기고, 그 주소로 들어온 누구나 저장된 모델로 예측해 볼 수 있습니다. 공개로 저장한 모델은 만들기 목록의 공유 프로젝트에도 나옵니다.

코랩 실행

학습에 쓴 데이터를 시트 하나짜리 엑셀로 내려받아 파이썬에서 직접 다뤄 볼 수 있습니다. 같은 모델을 파이썬으로 만드는 노트북은 구글 코랩에서 열어 사본을 저장해 쓰면 됩니다. 학습 페이지의 코랩 실행 버튼에서도 같은 노트북이 열립니다. 파일로 받으려면 ipynb 내려받기를 누르세요.

데이터 편집하기

학습이 끝나면 표 위에 덮개가 생깁니다. 데이터 편집하기 버튼을 누르면 덮개가 걷혀 표를 바꾸고 다시 학습할 수 있습니다.