sktime을 활용한 시계열 예측 모델 구축
KDNuggets
2026년 6월 19일 (금)
- •sktime은 시계열 예측, 분류, 회귀 작업을 위한 통합된 파이썬 API를 제공한다.
- •이 라이브러리는 HVAC 센서 데이터의 결측치 보완, 추세 제거, 계절성 분리를 위한 파이프라인 워크플로우를 지원한다.
- •ExponentialSmoothing 모델은 0.584°C MAE를 기록했으며, 시계열 분할기를 이용한 교차 검증에서는 0.606°C MAE가 도출되었다.
sktime 라이브러리는 scikit-learn 스타일의 API를 사용하여 시계열 분석을 수행하는 파이썬 프레임워크를 제공한다. 시계열, 패널, 계층적 데이터 구조를 일관된 인터페이스로 처리하며 예측, 분류, 회귀 작업을 수행할 수 있다.
90일간의 시간별 HVAC 센서 데이터를 사용하는 예측 워크플로우는 temporal_train_test_split()을 통해 데이터 누출을 방지하고 시간적 분리를 보장한다. TransformedTargetForecaster 파이프라인은 Imputer, Detrender, Deseasonalizer 구성 요소를 통합한 후 ExponentialSmoothing이나 ARIMA와 같은 모델을 적용한다.
온도 예측 테스트 결과, ExponentialSmoothing은 0.584°C의 MAE와 2.40%의 MAPE를 기록했고, ARIMA는 0.586°C의 MAE를 나타냈다. 또한 ExpandingWindowSplitter 및 SlidingWindowSplitter를 이용한 교차 검증을 통해 0.606°C의 MAE가 산출되었다.