[삼성 SDS Brightics_개인 분석 프로젝트(5)] 15. 🚨시계열 분석을 이용한 서울시 112 신고 접수량 예측🚨with 노코드 AI 오픈소스의 대명사✨
안녕하세요~
이제 개인 분석 프로젝트가
마지막을 향해
달리고 있네요~😆
이번 포스팅에서는
지난 포스팅에서
Time Series Decomposition을
추가 분석하고
Brightics Studio에 내장되어 있는
시계열 모델링 함수를
활용해서
112 신고 접수량을 예측해 보고
최적의 모델을 찾아보려고 합니다!
그럼 바로 시작할게요~~✨
Time Series Decomposition
📍월별
혹시 처음 보시는 분들을 위해😆
제가 분석한 데이터는
2019~2021년도의
월별 신고 접수량 데이터입니다!
Time Series Decomposition 함수를
사용한 결과인데요!
Observed=> 실제 관측 값
Trend=> 데이터의 추세를,
Seasonal=>데이터의 주기성을
Residual=> 불규칙적 요소
라고 생각해 주시면 될 것 같아요~
월별 전체 신고 접수량 같은 경우에는
대체적으로 감소하는 경향이 있습니다!
그래프에서도 나타나듯이 1년을 기준으로
주기성을 보이고 있습니다!
잔차도 존재한다는 것을 알 수 있습니다~
📍시간대별
시간대별로 관측해 보았을 때는
증가했다가 감소하는 추세가 반복된다는
것을 알 수 있습니다!
주기성도 24시간을 기준으로 나타나고 있다는
것을 확인할 수 있습니다!
그래서 저는 데이터의 패턴을 확인해 보았으니
시계열 모델링을 통해서
신고 접수량을 예측해 보도록 하겠습니다!!
분석 1 -월별 신고 접수량 예측
📍프로세스
시계열 모델링을 위한
데이터 확인을 한 후에
ARIMA & Holt-Winters 함수로
데이터를 예측한 다음
결과를 비교해 볼 예정입니다!
1. 전처리
먼저 AutoCorrelation 함수로
ACF와 PACF를 확인해 보았습니다!
ACF는 자기상관을 나타내고,
PACF는 다른 시점과의 상관은 제거하고 보는
그래프입니다!
확률적 차분이 필요한지 확인하기 위해서
Unit Root Test도 진행하였는데요!
p-value가 0.05보다 굉장히 작은 값을
가지고 있는 것을 확인할 수 있으며,
단위근이 존재한다는 귀무가설을 기각할 수 있습니다.
따라서 정상성을 확보하여
차분이 필요하지 않다는 것을
알 수 있습니다!
2. ARIMA 모델링 & 예측
데이터는 2019~2020 데이터와
2021데이터로 나누어서 2021데이터를
예측하는 형식으로 진행하였습니다!
AutoARIMA Train 함수를 활용하면
p, d, q를 적절하게 찾아준답니다!
3. Holt-Winters 모델링 & 예측
마찬가지로 Holt-Winters Train
함수를 활용하여
Train을 하였습니다!
예측 결과는 위와 같습니다!
4. 평가 지표를 활용한 결과 비교
자 이제 두 개의 모델 성능을
비교해 봐야겠죠~?
라인 그래프로 실제 값과
두 가지 모델로 예측한
값을 나타내보았어요!
그래프로 보기에는 ARIMA 모델이
실제 값과 더 가까워 보이네요:)
조금 더 정확한 결과는
평가 지표로 확인하겠습니다!
저는 대표적으로 사용되는
MAE, MSE, MAPE를 평가 지표로
선정하였는데요!
보시는 것과 같이 월별 신고접수량 예측에는
ARIMA 모델이 더 적합한 것을 알 수 있습니다✨
분석 2 -시간대별 신고 접수량 예측
📍프로세스
시간대별 신고 접수량 예측
프로세스도
월 별 신고 접수량 예측 프로세스와
크게 다르지 않습니다!
1. 데이터 전처리
AutoCorrelation 함수로
확인한 결과
위와 같은 결과를 얻었습니다!
정상성 검정을 위해서
Unit Root Test도 진행하였는데요!
p-value가 약 0.3이 나와서
귀무가설을 기각하지 못해 차분이
필요하다고 판단을 하였습니다!
(그러나 차분을 하지 않은 것이
결과가 더 좋게 나오더라고요!
제 나름대로 5%의 유의수준에서
기각역과 값의 차이가 크지 않기 때문에
차분을 진행하지 않는 것이 더 나은 것이 아닐까...
생각하고 있지만!
다음 포스팅까지 더 찾아보고 수정할 부분이 있다면
수정하도록 할게요~😊)
2. ARIMA 모델링 & 예측
AutoARIMA Train 함수를 활용하여
다음과 같이 p, d, q를 적절하게 찾아줬습니다!
3. Holt-Winters 모델링 & 예측
마찬가지로 Holt-Winters Train
함수를 활용하여
Train을 하였습니다!
예측 결과는 위와 같습니다!
4. 평가 지표를 활용한 결과 비교
자 이제 두 개의 모델 성능을
비교해 볼게요~
라인 그래프로 실제 값과
두 가지 모델로 예측한 결과
Holt-Winters 모델이
실제 값과 더 유사해 보이네요!
이번에도
평가 지표로 확인하겠습니다!
보시는 것과 같이 시간대별 신고접수량 예측에는
Holt-Winters 모델이 더 적합한 것을 알 수 있습니다✨
마무리 및 다음 포스팅 예고💕
다음 포스팅에서는
추가 분석을 진행하고
(멘토님께서 사건 종별 & 접수 유형별
예측도 분석하면 좋을 것 같다고 이야기해 주셔서
이 부분을 추가할 생각입니다!)
수정 사항이 있다면 반영한 후에
이때까지 했던 분석들을
정리하면서
분석 결과에 대한 결론은
내려보도록 하겠습니다~
다음 주가 마지막이라니!!
마지막 포스팅은
더더더더더
알차게 들고 올게요~
안녕!
※ 본 포스팅은 삼성SDS Brightics 서포터즈 3기 활동의 일환으로 작성하였습니다.
#삼성SDSBrightics #BrighticsStudio #브라이틱스 #모델링 #데이터분석
#Brightics서포터즈 #브라이틱스서포터즈 #데이터시각화 #EDA #시계열
#시계열분석 #데이터프로젝트 #분석프로젝트 #공공데이터 #노코드 #노코드AI