Proposal of a Stacked SARIMAX-GRU to Improve Time Series Prediction Performance
Jaehyun Han, Chi-Hyun Jo, Eun-chong Koh, Do‐Hyung Kim, Soo-Wook Lee · The Journal of the Korean Institute of Information and Communication Engineering · 2024
시계열 예측은 금융, 경제, 기상, 에너지 등 다양한 분야에서 중요한 역할을 한다. 전통적으로 많이 사용되는 SARIMAX 모델은 시계열 데이터의 계절성, 추세 및 외생 변수를 고려하지만, 선형 가정에 기반하여 비선형 패턴을 포착하는 데 한계가 있다. 반면, 딥러닝 기반의 순환 신경망 모델, 특히 GRU는 비선형성을 효과적으로 모델링할 수 있는 능력으로 주목받고 있다. 본 연구의 목표는 SARIMAX 모델의 선형적 예측 능력과 GRU 모델의 비선형적 예측능력을 결합한 Stacked SARIMAX-GRU 모델을 제안하여, 시계열 예측의 정확성을 향상시키는 것이다. 본 모델은 스태킹 기법을 통해 두 모델의 예측 결과를 메타 모델의 입력으로 사용하여 시계열 예측의 정확성을 향상시킨다. 실증 분석을 통해 제안된 모델이 기존의 SARIMAX 모델 및 GRU 모델을 단독으로 사용했을 때보다 우수한 예측 성능을 보임을 확인하였으며, MAE, MAPE, RMSE와 같은 오차는 감소하고, R-squared 값은 높아짐을 확인하였다.