시계열 전망 시작하기
R2026b이 예제에서는 Time Series Modeler 앱을 사용하여, 시계열 데이터를 모델링하는 간단한 장단기 기억(LSTM) 신경망을 만드는 방법을 보여줍니다.
시계열 전망은 시간에 따라 수집된 이전 관측 데이터 점들을 기반으로 미래 값을 예측하는 작업입니다. 순환 신경망(예: LSTM 또는 GRU 신경망) 또는 피드포워드 신경망(예: 다층 퍼셉트론 또는 컨벌루션 신경망) 같은 아키텍처를 사용하여 시계열 전망에 대해 딥러닝 모델을 훈련시킬 수 있습니다.
데이터 불러오기
시계열 모델을 훈련시킬 때, 사용할 수 있는 두 가지 유형의 입력 데이터가 있습니다.
응답 변수: 예측하려는 시계열입니다.
예측 변수: 응답 변수에 영향을 미치는 외부(외생) 시계열로, 예측하려는 시계열은 아닙니다. 예측 변수는 선택 사항이며, 응답 변수만 사용하여 자기회귀 모델을 훈련시킬 수 있습니다.
예제 엔진 데이터를 불러옵니다. 이 모델은 스로틀 위치, 웨이스트게이트 밸브 면적, 엔진 속도, 스파크 타이밍의 4가지 예측 변수를 사용하여 단일 응답 변수인 엔진 토크의 값을 예측하도록 학습합니다.
load SIEngineData시계열 모델러 앱을 엽니다. 앱 갤러리에서 시계열 모델러를 클릭합니다.
데이터를 앱으로 가져오려면 새로 만들기를 클릭합니다. 데이터 가져오기 대화 상자가 열립니다. 대화 상자에서 데이터에 대해 각각의 변수에서 응답 변수와 예측 변수 가져오기를 선택합니다. 응답 변수로 responses 변수를 선택합니다. 예측 변수에 대해 predictors 변수를 선택합니다. 데이터의 20%는 검증용, 80%는 훈련용으로 사용합니다.
가져오기를 클릭합니다.
응답 변수 및 예측 변수 모두에 대해, 데이터 세트 요약과 훈련 및 검증 데이터의 개별 관측값 미리보기가 표시됩니다. 데이터 소스로 훈련 데이터 또는 검증 데이터를 선택할 수 있으며, 미리 보려는 관측값을 선택할 수도 있습니다.
모델 선택하기
모델 갤러리에서 딥러닝 모델을 선택합니다. 선택해야 할 모델은 작업에 따라 다릅니다. 이 예제에서는 LSTM(소형)을 선택합니다. 기본적으로 이 신경망에는 네 개의 계층이 있습니다. 앱을 사용하여 신경망의 심도와 학습 가능한 파라미터(은닉 유닛) 개수를 변경할 수 있습니다.
모델 훈련시키기
모델을 훈련시키려면 훈련을 클릭하십시오. 훈련하는 동안 앱에는 훈련 정보, 평균절대오차(MAE) 및 손실(RMSE) 플롯, 훈련 진단이 표시됩니다.
모델 테스트하기
모델을 사용하여 값을 전망하려면 예측을 클릭하십시오. 선택한 관측값에 대해, 앱에서 실제 값과 예측된 값이 표시됩니다. 훈련된 모델의 RMSE 값을 확인할 수도 있습니다. 이 값은 검증 데이터에 대한 모델의 성능을 나타냅니다.
모델 내보내기
훈련된 모델의 성능에 만족하면, 모델을 내보낸 후 새로운 테스트 데이터에 사용할 수 있습니다. 모델을 내보내고 테스트 데이터의 새 값을 전망하는 코드를 생성하려면 내보내기를 클릭하십시오.
참고 항목
dlnetwork | trainingOptions | trainnet | scores2label | 심층 신경망 디자이너
