시계열 분석 시뮬레이터 사용법 — 추세·계절성·예측을 눈으로 확인
이동평균부터 ARIMA까지, 7가지 시계열 모델을 브라우저에서 직접 돌려보며 파라미터의 효과를 관찰하는 도구입니다.
어떤 상황에서 쓰는 도구인가요
시계열 데이터는 보통의 표 데이터와 결정적으로 다른 점이 하나 있습니다 — 순서 자체가 정보라는 것입니다. 어제 매출은 오늘 매출과 무관하지 않고, 지난여름의 판매량은 올여름을 짐작하게 해 줍니다. 행을 마음대로 섞어도 되는 일반 데이터와 달리, 시계열은 순서를 흐트러뜨리는 순간 추세도 계절성도 사라집니다.
문제는 이 추세·계절성·자기상관 같은 개념이 수식으로만 배우면 좀처럼 와닿지 않는다는 점입니다. 이 시뮬레이터는 코드나 설치 없이, 데이터를 고르고 모델 탭을 눌러가며 "창 크기를 키우면 선이 얼마나 부드러워지는지", "계절 주기를 맞추면 예측이 어떻게 달라지는지"를 차트로 직접 확인하게 해 줍니다.
이 도구는 무엇을 하나요
데이터를 입력하고 모델을 고른 뒤 ▶ 분석 실행을 누르면, 원본 · 적합값(Fitted) · 예측(Forecast) 세 선이 겹쳐진 차트와 함께 RMSE · MAE · MAPE · AIC 지표가 계산됩니다. 제공되는 모델은 7가지입니다 — SMA(단순 이동평균) · EMA(지수가중 이동평균) · SES(단순 지수평활) · Holt(이중 지수평활) · Holt-Winters(삼중 지수평활) · AR(p)(자기회귀) · ARIMA(차분 자기회귀). 여기에 자기상관(ACF/PACF)과 교차상관(CCF)을 계산하는 상관 분석 도구까지 갖췄고, 전부 브라우저 안에서 바로 실행됩니다.
단계별 사용법
- 데이터 입력 — 샘플 데이터 6종(✈️ 항공 승객 · 🌡️ 공정 센서 · 📈 AR(2) 공정 · ⚡ 에너지 소비 · 🔍 품질 측정 · ⚠️ 불량률 추세) 중 하나를 누르거나, CSV/XLSX 업로드 또는 직접 입력(쉼표·줄바꿈으로 구분한 숫자) 탭으로 내 데이터를 넣습니다. CSV는 첫 행을 헤더로 읽고 숫자 컬럼을 자동 감지하며, 분석할 컬럼을 골라 쓸 수 있습니다. 입력하면 미리보기 차트가 먼저 그려집니다.
- 모델 고르기 — 처음이라면 SMA(단순 이동평균)부터 시작하세요. 최근 몇 개 값의 평균으로 선을 부드럽게 만드는, 가장 직관적인 모델입니다. 익숙해지면 EMA → SES → Holt 순서로 올라가며 '추세를 따라가는 능력'이 어떻게 추가되는지 비교해 보세요.
- 파라미터 조정 — 모델마다 조절할 값이 다릅니다. SMA는 이동 창 크기(window), EMA는 스팬(span), SES는 평활 계수 α, Holt는 수준 α + 추세 β, Holt-Winters는 α·β·γ에 계절 주기 m까지, AR(p)는 차수 p, ARIMA는 p·d·q 세 개를 입력합니다.
- 예측 스텝 정하고 ▶ 분석 실행 — 몇 스텝 앞까지 예측할지 정한 뒤 실행합니다. 차트에 적합값과 예측선이 그려지고, 아래에 RMSE · MAE · MAPE · AIC 지표와 모델 파라미터 요약이 나타납니다.
- 오차 상세 표 읽기 — 예측값 · 오차 상세 표는 시점별 실제값(y), 예측값(ŷ), 오차(e = y−ŷ)를 나열하고, |e|가 MAE로, e²이 RMSE로, |e/y|×100%가 MAPE로 이어지는 계산 과정을 그대로 보여줍니다. 지표가 '어디서 나온 숫자인지' 궁금할 때 이 표를 보세요.
- 값을 바꿔가며 다시 실행 — 같은 데이터에서 파라미터 하나만 바꿔 다시 실행하고, 차트 모양과 지표가 어떻게 변하는지 비교합니다. 이 반복이 이 도구의 핵심 사용법입니다.
- 상관 분석 활용 — ACF / PACF 탭에서 최대 시차를 정해 계산하면 자기상관 차트와 시차별 유의성 표가 나오고, CCF 탭에서는 두 시계열을 넣어 어느 쪽이 몇 시차만큼 선행하는지 교차상관으로 확인할 수 있습니다. ARIMA를 실행하면 정상성 검정(ADF)과 ACF/PACF 진단 차트도 함께 표시됩니다.
결과를 읽는 법
차트에서 적합값은 모델이 과거 데이터를 얼마나 잘 따라갔는지, 예측은 그 패턴을 미래로 어떻게 이어가는지를 보여줍니다. 적합값이 원본에 바짝 붙어 있다고 무조건 좋은 것은 아닙니다 — 노이즈까지 따라 그린 것일 수 있으니, 예측선이 상식적인 모양인지 함께 보세요.
지표는 역할이 조금씩 다릅니다. RMSE는 오차를 제곱해 평균 내므로 큰 오차에 민감하고, MAE는 오차 크기의 평균이라 해석이 직관적이며, MAPE는 %라서 단위가 다른 데이터끼리 비교할 수 있습니다. AIC는 복잡한 모델에 벌점을 주는 지표로, 값이 낮을수록 '성능 대비 단순한' 모델입니다. ACF 차트에서는 특정 시차마다 막대가 신뢰구간을 반복해서 벗어나는지 보세요 — 예컨대 시차 12에서 튀어 오르면 12주기 계절성이 있다는 신호입니다.