Skip to main content

프로펫

Prophet 모델을 사용하여 시계열 데이터를 분석하고 미래 값을 예측하는 모델입니다.

설명​

프로펫은 Meta(Facebook)에서 개발한 시계열 예측 모델로, 추세(Trend), 계절성(Seasonality), 휴일 효과(Holiday Effects)를 자동으로 감지하여 예측합니다.

비즈니스 시계열 데이터에 특히 적합하며, 결측치와 이상치에 강건하고, 계절성 패턴이 복잡한 데이터에서도 좋은 성능을 보입니다.

시계열 모델 학습 노드와 연결하여 학습한 후, 미래 시점의 값을 예측할 수 있습니다.

포트 구성​

입력 포트​

없음

출력 포트​

  • 미학습 시계열 모델: 학습되지 않은 Prophet 모델 (시계열 모델 학습 노드에 연결하여 사용)

속성​

잠재적 변곡점의 수​

모델이 데이터의 추세 변화를 감지할 수 있는 잠재적 변곡점의 최대 수입니다.

  • 많은 변곡점: 데이터 변화에 민감하게 반응, 과적합 위험
  • 적은 변곡점: 큰 추세 변화만 감지, 단순한 모델

변곡점을 고려할 데이터의 비율​

초기 데이터의 어느 비율까지 변곡점을 찾을지 설정합니다 (0-1 사이 값).

예를 들어, 0.8이면 초기 80% 데이터에서만 변곡점을 찾습니다.

  • 큰 비율: 전체 데이터의 변화 반영
  • 작은 비율: 초기 추세에 집중

연간 계절성 설정​

연도별로 반복되는 패턴을 모델링할지 결정합니다.

예: 여름/겨울 판매량 변화, 계절별 수요 패턴

주간 계절성 설정​

주별로 반복되는 패턴을 모델링할지 결정합니다.

예: 주말 판매량 증가, 평일/주말 트래픽 차이

일일 계절성 설정​

하루 중 시간대별로 변화하는 패턴을 모델링할지 결정합니다.

예: 점심/저녁 시간대 주문량 증가, 출퇴근 시간 트래픽 패턴

휴일을 위한 국가 코드​

모델에 포함할 국가의 공휴일을 설정합니다.

  • None: 휴일 효과를 고려하지 않음
  • US: 미국 공휴일
  • KR: 한국 공휴일
  • JP: 일본 공휴일
  • CN: 중국 공휴일
  • GB: 영국 공휴일

공휴일 전후의 수요 변화를 자동으로 반영합니다.

계절성 모델링 방법​

계절성 패턴을 어떻게 모델링할지 결정합니다.

  • additive (가법): 계절 효과가 일정한 크기로 더해짐
    • 예: 매년 여름에 +1000개씩 판매 증가
  • multiplicative (승법): 계절 효과가 비율로 곱해짐
    • 예: 매년 여름에 20% 판매 증가

데이터가 시간에 따라 성장하면서 계절 변동폭도 커지면 multiplicative를 사용합니다.

계절성 효과의 강도​

계절성 요인이 모델에 미치는 영향의 강도를 조절합니다.

  • 큰 값: 계절 패턴을 강하게 반영
  • 작은 값: 계절 패턴의 영향을 약하게 반영

휴일 효과의 강도​

휴일이 모델 예측에 미치는 영향의 강도입니다.

  • 큰 값: 휴일 주변 데이터 변화를 강하게 반영
  • 작은 값: 휴일의 영향을 약하게 반영

변곡점 선택의 유연성​

데이터의 변화에 모델이 얼마나 민감하게 반응할지 조정합니다.

  • 큰 값: 작은 변화에도 민감하게 반응, 과적합 위험
  • 작은 값: 큰 변화만 감지, 안정적인 모델

MCMC 샘플의 수 (0으로 비활성화)​

불확실성을 평가하는 데 사용되는 샘플링 횟수입니다.

  • 0: MCMC 비활성화 (빠른 학습)
  • 큰 값: 정확한 불확실성 추정, 계산 시간 증가

일반적으로 0 (비활성화)으로 사용합니다.

예측의 불확실성 구간의 폭​

예측 결과의 신뢰 구간을 설정합니다 (0-1 사이 값).

  • 0.80: 80% 신뢰 구간
  • 0.95: 95% 신뢰 구간

값이 클수록 더 넓은 범위를 불확실성으로 표시합니다.

불확실성 추정을 위한 시뮬레이션 횟수​

불확실성을 추정하기 위해 시뮬레이션을 수행하는 횟수입니다.

  • 큰 값: 정확한 불확실성 추정, 계산 비용 증가
  • 작은 값: 빠른 계산, 불확실성 추정 정확도 감소

데이터 스케일링 방법​

데이터의 범위를 표준화하여 모델의 학습 효율을 높입니다.

  • absmax: 절대 최댓값으로 스케일링 (-1 ~ 1)
  • minmax: 최소-최대 스케일링 (0 ~ 1)

휴일 모델링 방법​

휴일 효과를 어떻게 모델링할지 설정합니다.

  • additive (가법): 휴일이 예측에 선형적인 영향
  • multiplicative (승법): 휴일이 성장률에 영향

훈련 및 예측에 외부 변수 사용​

시간 외에 다른 변수(예: 프로모션, 광고비)를 사용하여 모델을 학습할지 설정합니다.

이를 통해 외부 요인의 영향을 예측에 반영할 수 있습니다.

사용 방법​

  1. 프로펫 노드를 캔버스에 추가합니다
  2. 필요한 속성을 설정합니다
    • 계절성 설정 (연간/주간/일일)
    • 휴일 국가 코드 (선택사항)
    • 계절성 모델링 방법 (additive/multiplicative)
    • 불확실성 구간 설정
  3. 출력된 미학습 시계열 모델을 시계열 모델 학습 노드에 연결합니다
  4. 시계열 데이터셋(날짜/시간 열 + 값 열)을 시계열 모델 학습 노드에 연결합니다
  5. 학습이 완료되면 학습된 모델로 미래 값을 예측할 수 있습니다