다단계 시계열 예측을 위한 자동상관 적합 컨포멀 추론

초록

본 논문은 다단계 시계열 예측에서 발생하는 오류들의 자기상관 구조를 활용한 새로운 컨포멀 예측 방법인 Autocorrelated Multi-step Conformal Prediction(AcMCP)을 제안한다. 일반적인 비정상 자기회귀 과정 하에서 h‑step‑ahead 최적 예측 오류가 최대 (h‑1) 시차까지 상관을 갖는다는 이론적 결과를 바탕으로, 캘리브레이션 단계에서 이러한 상관을 보존함으로써 보다 효율적인 예측 구간을 제공한다. AcMCP는 점근적 주변 커버리지를 보장하며, 실험을 통해 전력 수요와 외식 지출 데이터에 적용했을 때 목표 커버리지를 정확히 달성하고, 특히 장기 예측 구간을 더 좁게 만든다는 장점을 확인하였다.

상세 분석

이 연구는 시계열 예측에서 다단계 오류가 독립이 아니라 서로 연관된다는 점을 정량적으로 밝혀낸다. 저자들은 일반적인 비정상 자기회귀(DGP) 모델을 가정하고, 최적 h‑step‑ahead 예측 오류 eₜ₊ₕ|ₜ가 최대 (h‑1) 시차까지 자기상관을 가진다는 정리를 증명한다. 이는 기존의 단일 단계 컨포멀 방법이 다단계 상황에 적용될 때 무시되는 중요한 구조적 특성이다. 이러한 이론적 기반 위에 제안된 AcMCP는 캘리브레이션 단계에서 오류들의 자기상관을 보존하도록 설계되었다. 구체적으로, 순차적 스플릿(sequential split) 방식을 사용해 훈련·캘리브레이션 데이터를 시간 순서대로 구분하고, 각 시점에서 h‑step‑ahead 오류들을 동시에 수집한다. 이후, 오류들의 공분산 구조를 반영한 가중치 혹은 블록 부트스트랩 방식으로 비순응 점수를 추정함으로써, 전통적인 독립 가정 하의 양자화(quantile) 추정보다 더 정확한 상위(1‑α) 분위수를 얻는다.

이 방법은 두 가지 중요한 이론적 보장을 제공한다. 첫째, 점근적으로 주변 커버리지를 1‑α 수준으로 유지한다는 점이다. 이는 샘플 크기가 충분히 클 때, 실제 커버리지가 목표값에 수렴함을 의미한다. 둘째, 유한 표본에서는 커버리지 오차가 상한을 가지며, 이 상한은 예측 지평선 h가 커질수록 선형적으로 증가한다는 점을 명시한다. 따라서 장기 예측에서는 약간의 보수적 조정이 필요하지만, 전체적으로는 기존 방법보다 더 효율적인 구간을 제공한다.

또한 논문은 기존의 단일 단계 컨포멀 기법들을 다단계 상황에 그대로 확장하는 여러 방법(MSCP, MPID 등)을 제시하고, 이들 중 MPID만이 장기 커버리지 보장을 갖는다는 점을 강조한다. 실험에서는 시뮬레이션과 실제 데이터(전력 수요, 외식 지출)를 통해 AcMCP가 목표 커버리지를 정확히 달성하면서도, 특히 h가 클수록 구간 폭을 크게 줄이는 효과를 확인한다. 마지막으로, R 패키지 ‘conformalForecast’를 공개하여 실무 적용을 용이하게 하였다. 전체적으로 이 논문은 다단계 시계열 예측에서 오류의 자기상관을 명시적으로 모델링함으로써, 기존 컨포멀 방법의 한계를 극복하고 보다 신뢰성 있는 불확실성 정량화를 가능하게 만든다.