시계열 분석: 이동평균부터 ARIMA·딥러닝까지 시간 축 데이터를 읽는 법
시계열 데이터의 추세·계절성 분해, 이동평균·지수평활법·ARIMA·GARCH 모델과 정상성 검정, 비즈니스·산업·과학 분야 적용 사례를 정리한다.
2026-08-13 · 최초 발행 2025-05-23
시계열 데이터는 시간에 따라 순차적으로 관측된 데이터 포인트들의 집합으로, 비즈니스와 과학 연구에서 핵심적인 분석 대상이다. 시계열 분석은 이 시간 기반 데이터에서 의미 있는 통계와 특성을 추출하는 방법론을 제공한다.
시간이라는 축이 만드는 특성
시계열 데이터는 현재 관측값이 과거 관측값의 영향을 받는 시간 의존성, 일정 주기마다 반복되는 패턴인 계절성, 장기적인 상승 또는 하락 경향인 추세, 경기 순환 같은 비계절적 주기인 순환 변동, 예측 불가능한 무작위 변동 요소인 불규칙 변동을 가진다. 이런 특성 때문에 시계열 데이터는 일반적인 통계 분석 방법과 다른 접근법이 필요하다.
추세·계절성·불규칙 요소로 나누어 보기
시계열 분해는 복잡한 시계열 데이터를 여러 구성 요소로 분리하는 과정이다.
가법 모델(Y(t) = T(t) + S(t) + C(t) + I(t))은 각 구성 요소가 독립적이며 단순히 합산되는 형태로, 계절적 변동이 시간에 따라 일정할 때 적합하다. 승법 모델(Y(t) = T(t) × S(t) × C(t) × I(t))은 구성 요소 간의 상호작용을 곱셈으로 표현하며, 계절적 변동의 크기가 추세 수준에 비례할 때 적합하다. 여기서 T는 추세, S는 계절성, C는 순환 요소, I는 불규칙 요소를 나타낸다.
이동평균에서 ARIMA까지, 고전적인 분석 기법들
이동 평균(Moving Average)은 일정 기간에 걸친 평균값을 계산해 단기 변동을 완화하는 단순하지만 효과적인 방법이다.
SMA(t) = (Y(t) + Y(t-1) + ... + Y(t-n+1)) / n
모든 관측치에 동일한 가중치를 부여하는 단순 이동 평균(SMA), 최근 관측치에 더 높은 가중치를 부여하는 가중 이동 평균(WMA), 시간이 지날수록 가중치가 지수적으로 감소하는 지수 가중 이동 평균(EWMA)으로 나뉜다.
지수 평활법(Exponential Smoothing) 중 단순 지수 평활법은 추세나 계절성이 없는 데이터에 적합하다.
S(t) = αY(t) + (1-α)S(t-1)
α는 평활 계수(0<α<1)로, 최근 관측치의 중요도를 결정한다. 추세가 있는 데이터에는 이중 지수 평활법(Holt's Method)이 적합하다.
S(t) = αY(t) + (1-α)(S(t-1) + b(t-1))
b(t) = β(S(t) - S(t-1)) + (1-β)b(t-1)
β는 추세 평활 계수다. 추세와 계절성이 모두 있는 데이터에는 삼중 지수 평활법(Holt-Winters Method)이 적합하다.
자기회귀 통합 이동평균(AutoRegressive Integrated Moving Average, ARIMA) 모델은 시계열 데이터 예측에 널리 쓰인다. 시차(lag) 차수 p를 가진 자기회귀 모델 AR(p), 차분(differencing) 차수 d인 I(d), 이동평균 차수 q를 가진 이동평균 모델 MA(q)를 결합한 ARIMA(p,d,q) 모형으로 구성된다.
계절성 ARIMA(SARIMA)는 ARIMA 모델에 계절성 요소를 추가한 모델로, SARIMA(p,d,q)(P,D,Q)s로 표기한다. (p,d,q)는 비계절 부분, (P,D,Q)는 계절 부분, s는 계절성 주기를 나타낸다.
스펙트럼 분석은 시계열 데이터를 주파수 영역으로 변환해 분석하는 기법으로, 주로 푸리에 변환(Fourier Transform)을 사용한다.
X(f) = ∫ x(t)e^(-j2πft) dt
주기적 패턴을 식별하는 데 특히 유용하다.
GARCH·상태공간모델·딥러닝, 현대적 접근법들
금융 시계열 데이터의 변동성 클러스터링을 모델링하는 데는 GARCH 모델이 쓰인다.
σ²(t) = ω + ∑α(i)ε²(t-i) + ∑β(j)σ²(t-j)
상태 공간 모델은 칼만 필터 등을 활용해 숨겨진 상태와 관측된 데이터 간의 관계를 모델링한다.
딥러닝 기반 접근법으로는 장기 의존성을 포착할 수 있는 RNN 구조인 LSTM(Long Short-Term Memory), 시퀀스 데이터 처리에 특화된 어텐션 메커니즘 기반의 Transformer, 페이스북에서 개발한 가법 모델 기반 예측 도구 Prophet이 있다.
예측이 맞았는지 확인하는 지표
평균 절대 오차인 MAE(Mean Absolute Error), 평균 제곱 오차인 MSE(Mean Squared Error), 평균 제곱근 오차인 RMSE(Root Mean Squared Error), 평균 절대 백분율 오차인 MAPE(Mean Absolute Percentage Error)로 예측 오차를 평가한다. 모델 복잡성을 고려한 적합도 지표로는 AIC(Akaike Information Criterion)와, AIC와 유사하지만 모델 복잡성에 더 큰 페널티를 부여하는 BIC(Bayesian Information Criterion)를 쓴다.
판매량 예측부터 지진 패턴까지
비즈니스 예측에서는 소매업체가 미래 수요를 예측해 재고 관리를 최적화하는 판매량 예측, 웹사이트 트래픽 패턴 분석으로 서버 자원 할당을 계획하는 웹 트래픽 분석, 주가·환율을 예측하고 위험을 관리하는 재무 분석에 쓰인다.
산업 응용에서는 생산 라인의 이상 징후를 조기에 감지하는 제조 공정 모니터링, 전력 공급 계획과 그리드 안정성 유지를 위한 전력 수요 예측, 장비 고장 전 유지보수 일정을 최적화하는 설비 예지 정비에 활용된다.
과학 연구에서는 장기 기후 패턴 연구와 기상 예측을 위한 기후 분석, ECG·EEG 같은 생체 신호를 분석하는 의학 연구, 지진 패턴을 분석하고 예측 모델을 개발하는 지진학에 쓰인다.
정상성을 확보하는 전처리
데이터 전처리 단계에서는 선형 보간·평균값 대체·전문가 시스템 등으로 결측치를 처리하고, Z-점수·IQR 방법 등으로 이상치를 탐지·처리하며, 차분화·로그 변환 등으로 정상성을 확보한다.
모델을 선택할 때는 데이터에 추세·계절성·주기성이 있는지, 예측 기간이 단기·중기·장기인지, 실시간 처리가 필요한 수준의 계산 복잡성인지, 비즈니스 의사결정에 활용할 명확한 인사이트가 필요한 해석 가능성인지를 기준으로 삼는다.
시계열 분석의 많은 기법은 데이터가 정상성(평균, 분산, 자기상관이 시간에 따라 일정)을 가진다고 가정하므로, 정상성 검정과 확보는 중요한 전처리 단계다. 단위근 존재 여부를 검정하는 ADF(Augmented Dickey-Fuller) 검정, 추세 정상성을 검정하는 KPSS 검정, 비정상 시계열을 정상화하는 주요 방법인 차분화(Differencing)가 이 단계에서 쓰인다.
시계열 분석은 날씨 예측부터 주식 시장 분석, 전력 수요 예측까지 다양한 분야에 적용되는 도구다. 딥러닝 기술의 발전과 함께 전통적인 통계 기반 방법론의 한계를 뛰어넘는 새로운 접근법이 계속 등장하고 있으며, 데이터의 특성을 올바르게 이해하고 적절한 모델을 선택해 결과를 비즈니스 맥락에서 해석하는 능력이 효과적인 분석의 관건이다.