다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
응용통계연구 = The Korean journal of applied statistics, v.31 no.2, 2018년, pp.229 - 239
전관영 (중앙대학교 응용통계학과) , 성병찬 (중앙대학교 응용통계학과)
AI-Helper
This paper introduces how to adopt the concept of temporal hierarchies to forecast time series data. Similarly as in hierarchical cross-sectional data, temporal hierarchies can be constructed for any time series data by means of non-overlapping temporal aggregation. Reconciliation forecasts with tem...
| 핵심어 | 질문 | 논문에서 추출한 답변 |
|---|---|---|
| 구조적 등분산(structural scal-ing) 가정을 사용할 때 장점은? | 구조적 등분산(structural scal-ing) 가정을 사용하면 여러 장점이 존재한다. 첫째, Σ의 추정이 최하위 시계열의 계절주기인 m에만 의존하기 때문에 시계열 자료 및 예측 모형에 의존하지 않는다. 둘째, 추정의 과정이 단순하므로 비계량적 예측을 포함하여 모든 예측 방법에 사용할 수 있다. 예를 들어 Figure 2. | |
| 상향식 예측이란? | 시간적 계층을 이용한 예측 방법은 주로 상향식(bottom-up) 예측과 조정 예측(reconciliation forecast) 방법이 널리 사용된다. 상향식 예측은 최하위 계층의 시계열 자료의 예측값을 이용해 이를 중복되지 않게 더하면서 상위 단계의 예측값을 생성하는 방법이다. Athanasopoulos 등 (2009)이 제안한 조정 예측은 선형 회귀모형을 기반으로 최소제곱 추정량을 사용하여 시간적 계층의 예측값을 추정한다. | |
| 시간적 계층을 이용한 예측의 장점은? | 일반적으로 시간 단위가 긴 자료의 예측에서는 추세가 잘 반영되지만 계절성이 잘 반영되지 못하는 경우가 많으며, 이와는 반대로 시간 단위가 짧은 자료의 경우 계절성은 잘 반영되지만 추세 반영이 부족한 경우가 많다. 본 논문에서 소개할 시간적 계층을 이용한 예측(forecasting with temporal hierarchies)은 시계열 자료가 가지는 다양한 주기의 시간 계층 구조를 활용하여 자료를 예측 및 조정함으로써 예측 시간 단위의 장단에 관계없이 추세와 계절성을 모두 반영할 수 있는 장점을 제공한다. 즉, 시간 주기의 장단에 따라 서로 상이한 예측값들을 하나로 통합 또는 조합하는 효과를 가지고 있다. |
Athanasopoulos, G., Ahmed, R. A., and Hyndman, R. J. (2009). Hierarchical forecasts for Australian domestic tourism, International Journal of Forecasting, 25, 146-166.
Athanasopoulos, G., Hyndman, R. J., Kourentzes, N., and Petropoulos, F. (2017). Forecasting with temporal hierarchies, European Journal of Operational Research, 262, 60-74.
Han, S. J. (2007). Road accident characteristics in metropolitan cities and provinces, Journal of Environmental Studies, 46, 211-220.
Hyndman, R. J. (2017). Forecast: forecasting functions for time series and linear models. R package version 8.2.
Hyndman, R. J., Ahmed, R. A., Athanasopoulos, G., and Shang, H. L. (2011). Optimal combination forecasts for hierarchical time series, Computational Statistics and Data Analysis, 55, 2579-2589.
Hyndman, R. J. and Athanasopoulos, G. (2014). Forecasting Principles and Practice, OText, Heathmont.
Hyndman, R. J., Koehler, A. B., Snyder, R. D., and Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods, International Journal of Forecasting, 18, 439-454.
Hyndman, R. J. and Kourentzes, N. (2016). Thief: temporal hierarchical forecasting. R package version 0.2.
Kim, Y. S. and Lee, M. J. (2014). The analysis of predicting tra？c accident using ARIMA model. In Proceeding of the Korean Society of Civil Engineers Autumn Conference, 705-706.
Wickramasuriya, S. L., Athanasopoulos, G., and Hyndman, R. J. (2015). Forecasting hierarchgical and grouped time series through trace minimization (technical report), Monash University, Melbourne.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.