ARIMA와 SARIMA: 적절한 시계열 모델 선택 가이드

카테고리

프로그래밍/소프트웨어 개발

서브카테고리

데이터 분석

대상자

시계열 분석, 예측 모델링을 수행하는 데이터 과학자 및 분석가 (중간 수준 이상)

핵심 요약

• ARIMA는 트렌드만 있는 데이터에 적합, SARIMA는 반복적 계절 패턴이 있는 데이터에 적합
• SARIMA는 계절성 파라미터 (P,D,Q,m)을 추가하여 계절적 주기를 반영
• pmdarima 라이브러리의 auto_arima 함수를 사용하면 자동으로 최적 모델 선택 가능
• ARIMA와 SARIMA 모두 해석이 용이하고 훈련 속도가 빠른 기초 모델로 활용 가능

섹션별 세부 요약

1. ARIMA 모델의 구성 요소

• AR(자기회귀): 과거 값(t-1, t-2)을 기반으로 미래 값을 예측
• I(차분): 데이터의 평균/분산이 안정되도록 차분(current - previous) 적용
• MA(이동 평균): 과거 예측 오차를 현재 예측에 반영하여 트렌드 외 변동성 조정

2. SARIMA 모델의 확장성

• 계절성 계층 추가: 계절 주기(m)에 맞는 이전 값(t-12, t-7)을 반영
• SARIMA = ARIMA + 계절성 패턴: 예: 연간 데이터는 m=12, 주간 데이터는 m=7
• 예시 시나리오: 와인 매출(계절성 강함), 월별 전력 소비(계절성 없음)

3. 모델 선택 기준

• ARIMA 사용 시: 트렌드만 존재, 계절성 없음 (예: 장비 감가 상각)
• SARIMA 사용 시: 반복적 계절성 존재 (예: 여름 아이스크림 매출, 주말 점포 방문량)
• 코드 예시:

```python

# ARIMA: order=(p,d,q)

model = ARIMA(data, order=(2,1,2))

# SARIMA: seasonal_order=(P,D,Q,m)

model = SARIMAX(data, order=(2,1,2), seasonal_order=(1,0,1,12))

```

4. 자동 모델 선택 도구

• pmdarima.auto_arima: seasonal=True 및 m=12 설정으로 SARIMA/ARIMA 자동 탐색
• 기능: 그리드 서치 방식으로 최적 파라미터 추정, 모델 적합성 평가

5. 실무 적용 고려사항

• 복잡한 모델 대비 장점: 해석성, 훈련 속도, 자원 효율성
• 기초 예측 기준: LSTMs, Transformers 등 복잡한 모델 대신 ARIMA/SARIMA로 시작
• 예시: pmdarima.auto_arima(data, seasonal=True, m=12) 사용

결론

• 계절성 존재 여부에 따라 ARIMA/SARIMA를 선택하고, auto_arima로 자동 모델 탐색을 권장
• 시계열 예측 기초 모델으로 ARIMA/SARIMA를 사용하여 훈련 속도와 해석성을 균형 잡은 예측 구현 가능