수요예측을 위한 머신러닝, 딥러닝 모델

- univariate forecasting: ARIMA, Exponential Smoothing, Simple Moving Averages

- multivariate forecasting: Vector Autoregression (VAR), Multivariate Regression, NNs

 

모델	분류	특징	장점	단점	추천도
ARIMA	통계 기반 시계열	Autoregressive + Differencing + Moving Average	해석력 좋음, 시계열 예측 기본기	계절성, 다변량 처리 어려움	⭐️(기초 참고용)
SARIMA	ARIMA 확장	ARIMA + 계절성 (Seasonal)	계절성 있는 수요 예측에 적합	파라미터 튜닝 어려움, 다변량 불가	⭐️⭐️
VAR(Vector Autoregression)	통계 기반 다변량	여러 시계열 변수 동시 예측	다변량 상호작용 반영 가능	비선형성 반영 불가	⭐️⭐️
MLP	딥러닝	정형 테이블 데이터 예측에 유리	모델 간단, 속도 빠름	시계열 순서 반영 약함	⭐️⭐️
CNN	딥러닝	시계열 데이터를 "패턴"으로 처리	병렬처리 빠름, 피처 추출 강함	긴 시계열 구조에는 부적합	⭐️⭐️
RNN	딥러닝	시계열 순서를 반복적으로 반영	순차 예측에 강함	긴 시퀀스에서 vanishing gradient	⭐️⭐️
LSTM	RNN 확장	장기 의존성 문제 개선	시계열 예측 대표 모델	느림, 튜닝 필요	⭐️⭐️⭐️
GRU	RNN 확장	LSTM보다 경량화	유사 성능, 빠른 학습	해석력 낮음	⭐️⭐️⭐️
XGBoost / LigtGBM	결정트리기반 ML	피처 중심 수요 예측에 강력	범주형, 외부변수 처리 매우 강함	시계열 순서 직접 반영은 어려움	⭐️⭐️⭐️⭐️
Temporal Fusion Transformer(TFT)	Transformer 기반	시계열 예측 SOTA 중 하나, attention 사용	변수 중요도 해석 가능	복잡, 데이터 많아야 함	⭐️⭐️(리소스 여유 있을 때)
Prophet(Facebook)	통계+추세+계절성 혼합	빠르고 튜닝 쉬움, 실무 활용 많음	간편함, 트렌드 예측 좋음	복잡한 상호작용 반영 어려움	⭐️⭐️⭐️