다중예측 전략 대전 NN5 대회 검증 최적 방법

본 연구는 다중‑step ahead 시계열 예측이라는 복잡한 문제에 대해 기존에 제안된 다섯 가지 전략을 포괄적으로 검토하고, 이들 전략을 실제 대규모 벤치마크에 적용해 성능을 비교한다. 먼저 서론에서는 다중‑step 예측이 단일‑step 예측보다 오류 누적, 의존성 손실, 계산 복잡도 증가 등 여러 난점을 가지고 있음을 강조한다. 전통적인 선형 모델(ARIMA 등)의 한계와 비선형 머신러닝 모델(ANN, SVM, 최근접 이웃 등)의 부상 배경을 제시하고, 특히 다중‑step 예측을 위한 전략적 접근이 부족하다는 점을 문제 제기로 삼는다. 두 번째 장에서는 Recursive, Direct, DirRec, MIMO, DIRMO 전략을 각각 수식과 흐름도로 상세히 설명한다. Recursive는 하나의 1‑step 모델을 반복 적용해 H‑step 예측을 수행하지만, horizon이 embedding dimension d를 초과하면 모든 입력이 예측값이 되므로 오류가 급격히 확대될 위험이 있다. Direct는 horizon마다 독립 모델을 학습해 오류 전파를 방지하지만, 각 모델이 서로 독립적이어서 시계열 내 장기 상관관계를 반영하지 못한다. DirRec은 두 전략을 혼합해, 각 horizon마다 모델을 학습하되 이전 단계 예측값을 입력에 포함시켜 장기 의존성을 어느 정도 보존한다. MIMO는 하나의 모델이 전체 H‑step 예측 벡터를 한 번에 출력함으로써 변수 간 동시 의존성을 자연스럽게 모델링하고, 오류 전파를 최소화한다. DIRMO는 MIMO와 Direct의 중간 형태로, 예측 벡터를 여러 블록으로 나누어 각각 독립 모델을 학습하면서도 블록 간 의존성을 유지한다. 세 번째 장에서는 Lazy Learning(지역 학습) 알고리즘을 선택한 이유와 구현 세부 사항을 제시한다. Lazy Learning은 훈련 단계에서 모델을 저장하지 않고, 예측 시 최근접 이웃을 찾아 로컬 회귀를 수행하는 방식으로, 데이터 양이 많고 비선형성이 강한 시계열에 적합하다. 본 논문에서는 단일‑output 버전과 다중‑output 버전을 모두 구현했으며, 입력 변수 선택을 위해 상관계수 기반 전처리와 차원 축소 기법을 적용했다. 네 번째 장에서는 실험 설계와 데이터셋에 대해 설명한다. NN5 대회는 111개의 일일 시계열(예: 매출, 전력소비)로 구성되며, 각 시계열은 복합 계절성(주간, 연간), 결측치, 이상치 등을 포함한다. 실험은 두 단계(Pre‑competition, Competition)로 나뉘며, 각 단계에서 동일한 전략을 다양한 전처리(계절성 제거, 입력 선택, 예측 결합)와 함께 적용한다. 성능 평가는 MASE, sMAPE, RMSE 등 NN5에서 사용된 지표와 Friedman 검정, Nemenyi 사후 검정을 통해 통계적 유의성을 검증한다. 다섯 번째 장에서는 결과와 논의를 제시한다. 전체 평균 성능에서 MIMO 전략이 가장 낮은 오류를 기록했으며, Friedman 검정 결과 MIMO가 다른 네 전략보다 유의하게 우수함을 확인했다. 계절성 제거는 모든 전략에서 평균적으로 5~10% 정도 오류 감소 효과를 보였고, 입력 변수 선택은 계절성 제거와 결합될 때 특히 큰 개선을 가져왔다. 예측 결합(ensemble)은 Direct와 DirRec에서 성능을 약간 끌어올렸지만, MIMO와 DIRMO에서는 큰 차이를 보이지 않았다. 또한, Lazy Learning 기반 모델이 NN5 대회에서 상위 10% 안에 들었으며, 기존 ANN, ARIMA 대비 경쟁력을 입증했다. 마지막 장에서는 연구의 한계와 향후 과제를 논한다. 현재 실험은 Lazy Learning 하나의 알고리즘에 국한되었으며, Gradient Boosting, Deep LSTM 등 최신 딥러닝 모델과의 비교가 필요하다. 또한, 실시간 예측 상황에서의 계산 비용과 메모리 요구량에 대한 분석이 부족하다. 향후 연구에서는 다양한 모델을 포괄하는 메타‑학습 프레임워크와, 비정형 데이터(예: 텍스트, 이미지)와의 융합을 탐색할 계획이다. 전반적으로 본 논문은 다중‑step ahead 예측 전략에 대한 체계적인 이론 정리와 대규모 실증을 제공하며, 특히 다중출력(MIMO) 전략이 실제 응용에서 가장 효과적임을 실증적으로 입증한다. 이는 시계열 예측 실무자와 연구자에게 전략 선택에 대한 명확한 가이드라인을 제공한다.