다중 시계열 모델을 위한 강건 가중치 비선형 결합 기법
본 논문은 ARIMA, ANN, SVM 세 모델의 예측값과 그 상관관계를 동시에 고려한 비선형 가중치 결합 방식을 제안한다. 검증 데이터셋을 이용해 최소 제곱 오차를 최소화하도록 가중치를 최적화하고, 캐나다 린스, 태양흑점, 국제 항공 승객 3개의 실제 시계열에 적용하였다. 제안 기법은 단순 평균, 중앙값, 오류 기반 가중 평균 등 기존 3가지 선형 결합 방법보다 MAPE, MSE, ARV 모두에서 현저히 낮은 오류를 기록하였다.
저자: 정보 제공되지 않음 (논문에 저자 정보가 명시되지 않음)
본 논문은 시계열 예측 정확도를 향상시키기 위해 여러 모델을 결합하는 방법을 연구한다. 서론에서는 시계열 예측이 비즈니스·금융·인구·과학·공학 등 다양한 분야에서 핵심 역할을 하며, 단일 모델보다 다중 모델 결합이 일반적으로 더 높은 정확도를 제공한다는 점을 강조한다. 기존 연구에서는 주로 가중 평균, 절단 평균, 윈저 평균, 중앙값, 오류 기반 가중치, 분산 기반 가중치 등 선형 결합 기법이 사용되어 왔으며, 이러한 방법들은 모델 간 상관관계를 무시한다는 한계를 가지고 있다.
제2장에서는 이러한 선형 결합 기법들을 수식적으로 정리하고, 각각의 장단점을 간략히 서술한다. 특히 가중 평균은 가중치가 모두 동일하거나 과거 오류에 비례해 결정되는 경우가 많으며, 중앙값은 이상치에 강건하지만 여전히 선형 구조에 머무른다.
제3장에서는 논문의 핵심인 비선형 가중 결합 메커니즘을 제시한다. 3개의 모델(ARIMA, ANN, SVM)의 예측값 ŷᵢₖ와 평균 μᵢ, 표준편차 σᵢ를 이용해 결합 예측값 ĉₖ를 다음과 같이 정의한다.
ĉₖ = ∑_{i=1}^{3} wᵢ ŷᵢₖ + ∑_{i
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기