PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2304.04308v2cs.LG공식 코드 · Papers with Code

시계열 예측을 위한 앙상블 모델링: 적응적 강건 최적화 접근

Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach

정확한 시계열 예측은 시간적 데이터를 다루는 많은 문제에서 매우 중요하다. 앙상블 모델링은 여러 예측 모형을 활용하여 정확도와 강건성을 높이는 확립된 기법이며, 이는 기저 데이터 분포의 변화로 인해 단일 예측기의 성능이 크게 달라질 수 있기 때문이다. 본 논문은 시계열 예측 모형의 강건한 앙상블을 구축하는 새로운 방법론을 제안한다. 우리의 접근법은 적응적 강건 최적화(Adaptive Robust Optimization, ARO)를 사용하여 모형 가중치가 시간에 따라 적응하는 선형 회귀 앙상블을 구성한다. 드리프트가 없는 경우부터 급격한 체제 전환까지 여덟 가지 교란 시나리오를 다루는 합성 실험과, 대기 오염 관리, 에너지 소비 예측, 열대 저기압 강도 예측을 포함한 실제 응용을 통해 제안 방법의 효과를 입증한다. 실제 응용에서 우리의 적응적 앙상블은 사후적으로 최선인 앙상블 구성원보다 평균 제곱근 오차(RMSE)에서 16-26%, 15% 수준의 조건부 위험가치(CVaR)에서 14-28% 더 우수하며, 비교한 다른 앙상블 방법들에 비해 대부분의 지표에서 개선된다. 합성 실험에서는 여덟 개 시나리오 중 일곱 개에서 롤링 릿지(rolling-ridge) 비교 모형보다 평균 RMSE가 낮고 그중 네 개에서는 유의하게 낮은 반면, 모형 선택 이후에 처음 나타나는 급격한 체제 전환은 여전히 한계로 남는다.