Time Series Analysis

시계열 분석은 특정 시간 간격으로 수집된 데이터 포인트 시퀀스를 분석하는 특수한 방법입니다. 이 과정에서 분석가는 데이터를 간헐적이나 무작위로 기록하는 대신 설정된 기간 동안 일관된 간격으로 데이터 포인트를 기록합니다. 표준 이미지 분류에 사용되는 정적 데이터셋과 달리 시계열 데이터는 시간적 차원을 추가하며, 이는 데이터의 순서가 내재된 패턴을 이해하는 데 매우 중요하다는 것을 의미합니다. 이 기법은 데이터 분석의 기초가 되며 과거 추세를 기반으로 미래 사건을 예측하는 데 널리 사용됩니다.

Link to this section핵심 구성 요소 및 기술#

시간 기반 데이터를 효과적으로 분석하려면 실무자는 신호를 구성하는 고유한 요소를 식별해야 합니다.

• 추세 분석: 이는 데이터의 장기적인 방향을 식별하는 것을 포함합니다. 예를 들어 선형 회귀는 매출이 수년에 걸쳐 일반적으로 증가하는지 감소하는지 모델링하는 데 자주 사용됩니다.
• 계절성 탐지: 많은 데이터셋은 매년 반복되는 규칙적이고 예측 가능한 변화를 보입니다. 소매업체는 계절성 분석을 사용하여 휴일 급증이나 날씨 관련 구매 습관에 대비합니다.
• 정상성: 시계열의 평균이나 분산과 같은 통계적 특성이 시간에 따라 변하지 않으면 이를 정상적이라고 합니다. 디키-풀러 검정과 같은 기술은 모델링 전에 데이터 변환이 필요한지 판단하는 데 도움이 됩니다.
• 노이즈 추정: 무작위 변동 또는 "백색 소음"은 실제 패턴을 모호하게 만들 수 있습니다. 고급 필터링 또는 오토인코더를 사용하여 무작위 변동에서 의미 있는 신호를 분리합니다.

Link to this section실제 AI/ML 애플리케이션#

시계열 분석은 운영을 최적화하고 위험을 줄이기 위해 정확한 예측이 필요한 산업에 매우 중요합니다.

• 소매업의 수요 예측: 소매업체는 AI in Retail을 활용하여 재고 요구 사항을 예측합니다. 과거 매출의 시계열 데이터를 분석함으로써 기업은 공급망을 최적화하여 과잉 재고와 품절을 모두 줄일 수 있습니다. Facebook Prophet과 같은 도구는 소매 데이터에서 볼 수 있는 강한 계절적 효과를 처리하는 데 자주 사용됩니다.
• 의료 생체 신호 모니터링: 의료 분야에서 AI in Healthcare 시스템은 심박수 및 혈압과 같은 환자의 생체 신호를 지속적으로 모니터링합니다. 시계열 알고리즘은 이상 탐지를 수행하여 환자의 지표가 정상적인 과거 기준에서 벗어날 경우 즉시 의료진에게 알리고 생명을 구할 수 있습니다.
• 예측 유지보수: 제조 공장은 센서를 사용하여 시간이 지남에 따라 기계의 진동 또는 온도 데이터를 수집합니다. AI in Manufacturing을 적용함으로써 기업은 장비 고장을 발생하기 전에 예측하여 가동 중지 시간을 최소화할 수 있습니다.

Link to this section컴퓨터 비전에서 시계열 생성#

시계열 분석은 이미지와 같은 공간 데이터에 중점을 둔 Computer Vision (CV)와는 다르지만 두 분야는 종종 교차합니다. CV 모델은 비디오 스트림을 처리하여 시계열 데이터를 생성할 수 있습니다. 예를 들어 교통 카메라에서 실행되는 객체 계수 시스템은 분당 차량의 순차적인 수를 산출합니다.

다음 예제는 Ultralytics YOLO26을 사용하여 비디오 내의 객체를 추적하고 시각적 데이터를 객체 수의 시계열로 효과적으로 변환하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the YOLO26 model for object tracking
model = YOLO("yolo26n.pt")

# Track objects in a video stream (generates time-series data)
# The 'stream=True' argument returns a generator for memory efficiency
results = model.track("https://docs.ultralytics.com/modes/track/", stream=True)

# Process frames sequentially to build a time series of counts
for i, r in enumerate(results):
    if r.boxes.id is not None:
        count = len(r.boxes.id)
        print(f"Time Step {i}: {count} objects detected")

이러한 파이프라인에 공급되는 데이터셋 관리 및 모델 학습을 위해 사용자는 주석에서 배포까지 워크플로우를 단순화하는 Ultralytics Platform을 활용할 수 있습니다.

Link to this section최신 신경망 아키텍처#

ARIMA (AutoRegressive Integrated Moving Average)와 같은 전통적인 통계 방법은 여전히 인기가 있지만 최신 딥러닝 (DL)은 강력한 대안을 제시했습니다.

• 순환 신경망 (RNNs): 시퀀스 데이터를 위해 특별히 설계된 순환 신경망 (RNN)은 이전 입력에 대한 "메모리"를 유지하므로 단기 종속성에 적합합니다.
• 장단기 기억 네트워크 (LSTM): 긴 시퀀스를 기억하는 표준 RNN의 한계를 해결하기 위해 장단기 기억 (LSTM) 아키텍처는 게이트를 사용하여 정보 흐름을 제어함으로써 장기적인 시간적 종속성을 효과적으로 모델링합니다.
• 트랜스포머 (Transformers): 원래 텍스트를 위해 구축된 Transformer 아키텍처와 그 어텐션 메커니즘은 이제 복잡한 시계열 데이터를 예측하는 데 최첨단 기술이며 종종 이전의 순환 모델보다 뛰어난 성능을 보입니다.

Link to this section관련 용어와의 차이점#

시계열 분석을 시퀀스 모델링 및 컴퓨터 비전과 구별하는 것이 중요합니다.

• 시계열 vs. 시퀀스 모델링: 모든 시계열은 시퀀스이지만 모든 시퀀스가 시계열인 것은 아닙니다. 자연어 처리 (NLP)는 순서가 중요한 단어 시퀀스를 다루지만 "시간" 요소는 추상적입니다. 시계열 분석은 구체적으로 데이터가 시간에 의해 인덱싱됨을 의미합니다.
• 시계열 vs. 컴퓨터 비전: CV는 시각적 입력(픽셀)을 해석하는 것을 다룹니다. 그러나 비디오 이해와 같은 기술은 시각적 분석에 시간적 차원을 추가하여 간극을 메우며, 종종 Transformers를 사용하여 시각적 콘텐츠가 시간에 따라 어떻게 변하는지 이해합니다.