다중예측 전략 대전 NN5 대회 검증 최적 방법

초록

본 논문은 다중 단계 시계열 예측을 위한 다섯 가지 전략(Recursive, Direct, DirRec, MIMO, DIRMO)을 이론적으로 정리하고, NN5 대회 111개 시계열을 대상으로 Lazy Learning 기반 실험을 수행한다. 실험 결과 다중출력(MIMO) 전략이 가장 우수했으며, 계절성 제거와 입력 변수 선택을 함께 적용하면 정확도가 크게 향상됨을 확인하였다.

상세 분석

논문은 먼저 다중‑step ahead 예측 문제를 정의하고, 기존 연구에서 제안된 다섯 가지 전략을 체계적으로 정리한다. Recursive 전략은 하나의 1‑step 모델을 H번 반복 적용해 예측을 진행하지만, 예측값이 입력에 재사용되면서 오류가 누적되는 단점이 있다. Direct 전략은 horizon h마다 별도의 모델을 학습해 독립적으로 예측하므로 오류 전파가 없지만, 각 모델이 서로 독립적이어서 시계열 내 변수 간 장기 의존성을 포착하지 못한다. DirRec은 두 전략을 혼합해, 각 horizon마다 모델을 학습하되 이전 단계의 예측값을 입력에 포함시켜 장기 의존성을 어느 정도 보존한다. MIMO(Multi‑Input Multi‑Output) 전략은 하나의 모델이 전체 H‑step 예측 벡터를 한 번에 출력하므로, 변수 간 동시 의존성을 자연스럽게 모델링한다. 마지막으로 DIRMO는 MIMO와 Direct의 중간 형태로, 예측 벡터를 여러 블록으로 나누어 각각 독립 모델을 학습하면서도 블록 간 의존성을 유지한다.

이론적 비교에서는 모델 수, 학습 복잡도, 오류 전파 위험, 변수 의존성 보존 정도를 정량화한다. 특히 MIMO와 DIRMO는 다중출력 구조이므로 학습 데이터 효율성이 높고, 오류 전파가 최소화되는 장점이 있다. 반면 Recursive와 Direct는 각각 오류 누적 혹은 독립성 문제로 성능이 제한될 수 있다.

실험 설계는 NN5 대회 데이터(111개 시계열, 일일 빈도, 복합 계절성, 결측치, 이상치 포함)를 사용한다. 모든 전략에 대해 (1) 원시 시계열, (2) 계절성 제거 후, (3) 입력 변수 선택 적용, (4) 예측 결과 평균 결합(ensemble) 네 가지 설정을 조합한다. 모델 학습에는 Aha가 제안한 Lazy Learning(최근접 이웃 기반 로컬 회귀) 알고리즘을 적용했으며, 다중출력 버전과 단일출력 버전을 각각 구현했다. 성능 평가는 MASE, sMAPE 등 NN5에서 사용된 지표와 Friedman 검정으로 통계적 유의성을 검증하였다.

주요 결과는 다음과 같다. 첫째, MIMO 전략이 전체 평균에서 가장 낮은 오류를 기록했으며, 통계적으로도 다른 전략보다 우수함이 확인되었다. 둘째, 모든 전략에서 계절성 제거가 정확도를 일관되게 향상시켰다. 셋째, 입력 변수 선택은 단독으로는 큰 효과가 없었지만, 계절성 제거와 결합될 때 의미 있는 개선을 가져왔다. 넷째, 예측 결합(ensemble)은 특히 Direct와 DirRec 전략에서 성능을 보강했지만, MIMO에서는 큰 차이를 보이지 않았다. 이러한 결과는 다중출력 모델이 장기 의존성을 자연스럽게 포착하고, 오류 전파를 억제함을 실증적으로 뒷받침한다.

논문은 또한 Lazy Learning 기반 모델이 NN5 경쟁에서 상위권 성적을 거두었음을 보고하며, 전통적인 ANN이나 ARIMA와 비교해도 경쟁력 있는 결과를 보여준다. 마지막으로, 연구 한계로는 다른 머신러닝 알고리즘(예: Gradient Boosting, Deep LSTM)과의 비교가 부족했으며, 실시간 적용 시 계산 비용에 대한 논의가 필요함을 언급한다.