# \#time-series **URL:** https://discuss.pytorch.kr/tag/time-series/1106.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [IBM, 시계열 모델 4종의 분위수 예측을 하나로 합치는 Granite Timeseries Ensemble R1 공개](https://discuss.pytorch.kr/t/ibm-4-granite-timeseries-ensemble-r1/12321)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 28, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/ibm-4-granite-timeseries-ensemble-r1/12321 "2026-10-28T09:30:08Z")
핵심 요약 IBM Research가 Granite 시계열 앙상블 소개 글에서 사전학습 시계열 모델 4종의 분위수 예측을 하나의 분포로 합치는 레시피를 공개했습니다. 추가 학습이나 가중치 학습 없이 pip install "granite-tsfm\>=0.3.11" 뒤 몇 줄로 씁니다. 기본값은 네 모델을 같은 비중으로 섞는 확률 앙상블이고, 예측 구간이 좁은 모델에 더 큰 비중을 주는 IQR(사분위 범위, Interquartile Range) 앙상블을 대안으로 제공합니다. GIFT-Eval 97개 설정에서 두 앙상블 모두 MASE와 평균 MASE 순위로 구성 모델 넷을 앞섰지만, 차이는 0.683 대 0.685로 작고 확률 예측 점수(CRPS)는 단일 모델 PatchTST-FM-r2가 가장 좋았습니다. 원문의 "적격 시스템 중 3위"는 IBM이 고른 라이선스 기준을 적용한 순위이며, 같은 날짜 리더보드 전체 153개 중에서는 MASE 순위 기준 39위입니다. 직접 재현한 결과는 아래에 정리했습니다. Granite Timeseries Ensemble R1 소개 사전학습된 시계열 파운데이션 모델(Time Series Foundation Model, TSFM)은 내 데이터로 학습하지 않아도 예측을 냅니다. 그래도 어떤 모델을 쓸지는 여전히 골라야 합니다. 원문 저자들은 매끄러운 산업 신호에 강한 모델이 잡음 많은 소매 수요나 계절성이 긴 예측 구간에서는 약할 수 있다고 설명합니다. 결국 최선의 선택은 계열과 과제마다 달라집니다. Granite Timeseries Ensemble R1은 이 선택을 하나의 기본값으로 줄이려는 시도입니다. 구조가 서로 다른 IBM Granite 시계열 모델 4개를 한 번에 호출하고, 각 모델이 낸 분위수(Quantile) 예측을 하나의 예측 분포로 합칩니다. 분위수 예측은 값이 그 아래일 확률이 10%, 50%, 90%인 지점들을 함께 내는 방식이라, 점 하나가 아닌 범위로 미래를 보여 줍니다. 저자들은 이 아이디어가 기상 예보에서… --- ## [TimesFM-3: 다변량과 공변량을 한 번의 순전파로 예측하는 제로샷 시계열 파운데이션 모델](https://discuss.pytorch.kr/t/timesfm-3/11793)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [9월 4, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/timesfm-3/11793 "2026-09-04T03:30:20Z")
TimesFM-3 소개 편의점 발주 담당자가 다음 주 아이스크림 물량을 정할 때 지난주 판매량만 보고 결정하지는 않습니다. 다음 주에 비가 오는지, 본사 할인 행사가 잡혀 있는지, 콘과 시럽 같은 연관 상품이 얼마나 나갔는지를 함께 봅니다. TimesFM-3 는 Google Research가 2026년 8월 31일에 공개한 시계열 예측 파운데이션 모델(Time Series Foundation Model)로, 바로 이 "여러 계열과 외부 변수를 함께 보고 예측한다"는 다변량(multivariate) 설정을 사전 학습 단계에서부터 모델 구조에 넣어 두고, 과제별 미세조정(fine-tuning) 없이 제로샷(zero-shot)으로 수행합니다. 파라미터는 3억 3천만 개이고, 1조 개가 넘는 시점(time point)으로 이루어진 실측 데이터와 합성 데이터 코퍼스로 사전 학습되었습니다. 이번 글에서는 TimesFM-3가 이전 세대와 무엇이 달라졌는지, 여러 시계열을 하나의 토큰 격자로 묶는 구조가 어떻게 동작하는지, 그리고 Google Research가 공개한 세 가지 벤치마크 결과와 실제 사용 시 걸리는 제약이 무엇인지를 정리하려고 합니다. 소개 글은 Google Research의 Ayush Jain과 Rajat Sen이 썼고, Yichen Zhou, Petros Mol, Abhimanyu Das, Samet Oymak이 함께 참여한 연구입니다. 글 작성 기준으로 별도의 TimesFM-3 논문은 아직 공개되지 않았으므로, 소개 블로그와 google-research/timesfm 저장소의 구현 코드, Hugging Face 모델 카드를 함께 대조해 정리했습니다. 시계열 파운데이션 모델이 지금까지 남겨 둔 숙제 시계열 예측은 오랫동안 "데이터셋 하나에 모델 하나"의 영역이었습니다. 전력 수요에는 전력 수요용 모델을, 판매량에는 판매량용 모델을 각각 학습시키고 주기가 바뀌면 다시 학습시켰습니다. 이 관행을 흔든 것이 2024년의 TimesFM입니다. Google… --- ## [Nexus: 시계열 예측을 멀티 에이전트 추론 문제로 푸는 프레임워크에 대한 연구 (feat. Google)](https://discuss.pytorch.kr/t/nexus-feat-google/11203)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 13, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/nexus-feat-google/11203 "2026-07-13T09:30:26Z")
Nexus 소개: 시계열 예측을 에이전트 추론 문제로 다시 보기 주식 시장이나 부동산 시세를 예측할 때, 우리는 과거의 숫자 흐름만 보지 않습니다. 금리 인상 발표, 신제품 출시, 실적 서프라이즈 같은 사건들을 함께 읽으며 "이번에는 흐름이 꺾이겠구나"를 직감합니다. 그런데 지금까지의 시계열 예측 모델 대부분은 이 절반을 통째로 버린 채 숫자만 외삽해 왔습니다. 이 논문은 이런 한계를 정면으로 다룹니다. Nexus 는 Google과 펜실베이니아 주립대학교(Pennsylvania State University) 연구진이 제안한 멀티 에이전트(multi-agent) 시계열 예측(time series forecasting) 프레임워크로, 예측을 단순한 수치 외삽이 아니라 "숫자 패턴 인식과 텍스트 기반 추론을 함께 조직화해야 하는 에이전트 추론(agentic reasoning) 문제"로 재정의합니다. 핵심 주장은 도발적입니다. 저자들은 "현세대 LLM은 지금까지 알려진 것보다 더 강한 내재적 예측 능력을 지니고 있으며, 그 능력은 수치 추론과 맥락 추론을 어떻게 조직하느냐에 결정적으로 좌우된다" 고 말합니다. 두 세계의 단절: TSFM과 LLM 시계열 예측은 여러 고위험 의사결정을 떠받치는 핵심 과제입니다. 과거에는 시계열마다 패턴이 제각각이라 도메인별 전용 알고리즘이 필요했지만, 최근 시계열 파운데이션 모델(Time Series Foundation Model, TSFM) 의 등장으로 통합된 예측 패러다임이 자리 잡았습니다. TimesFM, Chronos, MOMENT, MOIRAI 같은 모델들은 대규모 수치 시퀀스로 사전 학습되어 복잡한 계절성(seasonality), 추세, 장기 의존성을 잡아내는 데 최고 수준의 성능을 보입니다. 그런데 여기에 근본적인 맹점이 있습니다. TSFM은 오직 정형화된 숫자 시퀀스만 다루기 때문에 현실 세계의 서사(narrative)와 단절되어 있습니다. 현실의 시계열은 대개 질적인 사건과 비정형 텍스트 신호가 만들어낸 정량… --- ## [정확도 너머에: 시계열 파운데이션 모델(TSFM)이 잘 보정(Calibration)되어 있는지에 대한 연구 (feat. ICLR 2026)](https://discuss.pytorch.kr/t/tsfm-calibration-feat-iclr-2026/10485)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 10, 2026, 10:30오전 UTC](https://discuss.pytorch.kr/t/tsfm-calibration-feat-iclr-2026/10485 "2026-06-10T10:30:14Z")
정확도 너머에: 시계열 파운데이션 모델은 잘 보정되어 있을까? 일기 예보를 떠올려 봅시다. 어떤 예보관이 매일 "내일 비 올 확률 70\\% " 라고 말한다면, 우리는 그 숫자가 정확한지 어떻게 알 수 있을까요? 단순히 비가 왔는지 안 왔는지만 보는 것으로는 부족합니다. "70\\% 라고 말한 날들 중 실제로 약 70\\% 에 비가 왔는가?" 를 따져봐야 합니다. 만약 그가 "90\\% " 라고 자신만만하게 외친 날에 정작 비가 절반밖에 오지 않았다면, 그 예보관은 과신(overconfident)하고 있는 것입니다. 예측이 맞고 틀리는 것(정확도)과, 예측에 담긴 확신의 정도가 현실과 맞는지(보정)는 전혀 다른 문제입니다. 이 글에서 소개하는 논문 Beyond Accuracy: Are Time Series Foundation Models Well-Calibrated? 는 바로 이 질문을 시계열 파운데이션 모델(Time Series Foundation Model, 이하 TSFM)에 던집니다. 최근 등장한 TSFM들은 점 예측(point forecast)의 정확도에서 뛰어난 성능을 보이지만, 이들이 내놓는 확률적 예측, 즉 예측 구간과 불확실성이 실제 데이터와 얼마나 잘 맞는지(보정, calibration)는 거의 연구되지 않았습니다. 이 논문은 5개의 대표적인 TSFM과 2개의 강력한 베이스라인을 6개 데이터셋에 걸쳐 체계적으로 평가하여, TSFM이 베이스라인보다 일관되게 더 잘 보정되어 있으며, 다른 딥러닝 모델과 달리 체계적으로 과신하지도 과소평가하지도 않는다는 사실을 처음으로 밝혀냈습니다. 이 연구는 UC Irvine과 Google의 공동 연구로, ICLR 2026 에 채택되었습니다. 시계열 파운데이션 모델(TSFM)의 부상과 빈틈 시계열 데이터를 예측하는 일은 기후 과학, 에너지 수요 예측, 의료, 소비자 행동 분석, 금융 등 데이터가 다뤄지는 거의 모든 분야에서 핵심적인 과제입니다. 전통적으로는 선형 자기회귀(autoregressive, AR) 모델 … --- ## [Kronos: 45개 이상의 글로벌 거래소 데이터로 학습한, 금융 시계열 예측을 위한 최초의 오픈소스 파운데이션 모델](https://discuss.pytorch.kr/t/kronos-45/9726)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 14, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/kronos-45/9726 "2026-04-14T21:30:17Z")
Kronos 연구 소개 금융 시계열 데이터를 위한 파운데이션 모델의 필요성 최근 몇 년 사이 거대 언어 모델(Large Language Model, LLM)이 자연어 처리의 패러다임을 완전히 바꿔놓은 것처럼, 시계열 데이터 분야에서도 같은 흐름이 일어나고 있습니다. Time Series Foundation Model(TSFM) 이라 불리는 새로운 모델군은 방대한 시계열 데이터를 사전 학습(pre-training)하여, 예측, 이상 탐지, 인과 추론 등 다양한 다운스트림 과제에 곧바로 활용할 수 있는 범용 백본을 지향합니다. TimeGPT, Moirai, Time-MoE와 같은 모델들이 일반적인 시계열 예측 분야에서 인상적인 성과를 보여주었습니다. 그런데 흥미롭게도, 이러한 일반 목적의 TSFM을 금융 시장의 K-line(캔들스틱) 데이터에 적용하면 오히려 성능이 떨어지는 경우가 많습니다. 시가, 고가, 저가, 종가, 거래량, 거래대금(OHLCVA: Open, High, Low, Close, Volume, Amount)으로 구성되는 K-line 시퀀스는 시장 참가자들이 가격 움직임, 변동성 국면, 유동성 변화, 집단적 심리를 해석하는 가장 압축적이고 정보 밀도가 높은 "언어"입니다. 그러나 K-line 데이터는 매우 낮은 신호 대 잡음비, 강한 비정상성(non-stationarity), OHLCVA 속성 간의 복잡한 고차 의존성을 갖고 있어 일반 TSFM의 귀납 편향(inductive bias)과 잘 맞지 않습니다. 뿐만 아니라, 대부분의 TSFM 사전 학습 코퍼스에서 금융 시계열이 차지하는 비중은 극히 일부에 불과합니다. 결과적으로 일반 TSFM은 iTransformer 와 같이 작업에 특화하여 학습된 비-사전학습 모델에도 자주 밀리며, 변동성 예측, 합성 데이터 생성, 리스크 관리 같은 정량적 금융의 핵심 과제 전반에 걸쳐 일반화하는 데에도 한계를 보입니다. 기존 접근법의 한계 지금까지 K-line 데이터를 다뤄온 접근법들을 정리해보면, 각각의 접… --- ## [CandleView: AI 기능이 통합된 금융 시계열 데이터 시각화 및 렌더링 엔진 (feat. 캔들스틱 차트)](https://discuss.pytorch.kr/t/candleview-ai-feat/8507)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [12월 24, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/candleview-ai-feat/8507 "2025-12-24T21:30:32Z")
CandleView 소개 CandleView는 AI(인공지능) 기술이 통합된 금융 시계열 데이터(Financial Time-Series Data) 시각화 및 렌더링 엔진입니다. React 기반의 컴포넌트로 제공되며, 주식이나 암호화폐 거래소에서 흔히 볼 수 있는 캔들스틱(Candlestick) 차트를 렌더링하는 것을 넘어, LLM(대규모 언어 모델)을 차트 분석에 직접 활용할 수 있도록 설계된 것이 가장 큰 특징입니다. 기존의 차트 라이브러리들이 단순히 데이터를 그래프로 보여주는 데 집중했다면, CandleView는 차트 데이터와 AI 에이전트를 연결하여 "현재 차트의 추세 분석"이나 "리스크 평가" 같은 인사이트를 자연어로 제공받을 수 있는 인터페이스를 내장하고 있습니다. 개발자는 이 라이브러리를 통해 별도의 복잡한 구현 없이도 'AI 분석 기능이 포함된 트레이딩 차트'를 자신의 웹 애플리케이션에 구축할 수 있습니다. CandleView 프로젝트는 최신 프론트엔드 툴체인인 Vite와 React를 기반으로 구축되었으며, TypeScript로 작성되어 안정적인 타입 지원을 제공합니다. OpenAI, Alibaba Cloud(Qwen), DeepSeek, Google Gemini 등 다양한 최신 AI 모델 프로바이더를 지원하여 확장성이 뛰어납니다. CandleView의 주요 기능 CandleView는 단순한 차트 렌더링을 넘어 다음과 같은 강력한 기능들을 제공합니다. AI 기반 차트 분석 (AI-Driven Analysis) AI 기반 차트 분석은 CandleView의 핵심 차별화 포인트입니다. 사용자가 보고 있는 차트의 OHLCV(Open, High, Low, Close, Volume) 데이터를 AI 모델에 전달하여 기술적 분석을 수행할 수 있습니다. OpenAI의 GPT 시리즈를 비롯하여, Aliyun(Qwen), DeepSeek, Claude, Gemini 등의 다양한 LLM 사업자의 API 연동을 지원하며, 다음과 같은 기능들의 사용이 … --- ## [\[2025/08/25 ~ 31\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2025-08-25-31-ai-ml/7616)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 31, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/2025-08-25-31-ai-ml/7616 "2025-08-31T21:30:37Z")
\[2025/08/25 ~ 31\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 이번 주 선정된 논문들을 살펴보면 먼저, 멀티모달(Multimodal) 접근법의 증가는 여러 논문에서 다양한 입력 형태(예: 이미지, 텍스트, 오디오)를 통합하여 처리하는 방법론이 강조되고 있음을 보여줍니다. 예를 들어, M3-Agent와 같은 논문은 시각적 및 청각적 입력을 동시에 처리하고 이를 통해 장기 기억을 구축하는 방법을 제안하고 있습니다. 이러한 접근은 인간의 사고 방식과 유사한 방식으로 정보를 처리하고 이해하는 데 중요한 역할을 하고 있습니다. :two: 두 번째 트렌드인 강화 학습 기반의 새로운 학습 패러다임은 기존의 정적이고 수동적인 학습 방식에서 벗어나, 동적이고 지속적인 학습을 가능하게 하는 방법론이 주목받고 있음을 나타냅니다. Memento와 같은 논문은 메모리 기반의 온라인 강화 학습을 통해 LLM 에이전트가 지속적으로 적응할 수 있는 방법을 제시하고 있습니다. 이는 에이전트가 환경의 피드백에 따라 스스로 학습하고 개선할 수 있도록 하여, 더 효율적이고 유연한 시스템을 구축하는 데 기여하고 있습니다. :three: 마지막으로, 시간적 추론의 중요성은 TimeMaster와 Time-R1과 같은 논문에서 강조되고 있습니다. 이들 연구는 시간에 대한 이해와 예측 능력을 강화하기 위한 새로운 방법론을 제안하고 있으며, 이는 복잡한 시간적 패턴을 다루는 데 있어 필수적입니다. 이러한 연구들은 AI 시스템이 과거의 사건을 이해하고 미래를 예측하는 데 있어 더 나은 성능을 발휘할 수 있도록 하는 방향으로 나아가고 있음을 보여줍니다. 메타 CLIP 2: 전 세계 스케일링 레시피 / Meta CLIP 2: A Worldwide Scaling Recipe 논문 소개 CLIP(대조적 언어-이미지 사전 학습) 모델은 제로샷 분류 및 검색을 지원하는 인기 있는… --- ## [Merlion, 시계열 데이터 머신러닝 프레임워크 (feat. Salesforce)](https://discuss.pytorch.kr/t/merlion-feat-salesforce/6256)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [3월 1, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/merlion-feat-salesforce/6256 "2025-03-01T21:30:09Z")
Merlion 소개 Merlion은 Salesforce가 다년간 개발 및 공개하고 있는 시계열 데이터 분석용 머신러닝 라이브러리입니다. 시계열 데이터를 기반으로 이상 탐지(Anomaly Detection), 예측(Forecasting), 변화점 탐지(Change Point Detection) 등의 기능을 제공합니다. 특히, 다양한 머신러닝 및 딥러닝 모델을 통합적으로 사용할 수 있으며, 자동 하이퍼파라미터 최적화(AutoML), 앙상블(Ensemble) 모델 지원, PySpark 기반 대규모 분산 처리 등의 기능을 갖추고 있습니다. 시계열 데이터 분석은 금융, 제조, IoT, IT 운영 등 다양한 산업에서 핵심적인 역할을 합니다. 예를 들어, 금융에서는 주식 시장 예측, 제조에서는 장비 고장 감지, IT에서는 서버 이상 탐지 등의 용도로 활용됩니다. 기존의 시계열 분석 라이브러리들은 특정 기능에 집중된 경우가 많아, 하나의 프레임워크 내에서 데이터 로딩부터 모델 학습, 평가, 배포까지 해결하기 어려웠습니다. 하지만 Merlion은 이러한 문제를 해결하고, 실무 환경에서의 편리한 사용을 위해 설계되었습니다. 데이터 변환부터 모델 학습, 결과 평가, 시각화까지 한 번에 수행할 수 있으며, GUI 기반의 대시보드까지 제공하여 시계열 분석 경험이 적은 사용자도 쉽게 활용할 수 있습니다. 특히, 기존의 시계열 분석 라이브러리와 달리, Merlion은 이상 탐지와 예측 모델을 동일한 API 인터페이스로 사용할 수 있도록 설계되었습니다. 아래 표는 Merlion이 기존 시계열 이상 탐지 및 예측 기능을 제공하는 주요 라이브러리들(Prophet, Kats, darts, GluonTS 등)과 비교했을 때 제공하는 기능을 정리한 것입니다: 기능 Merlion Prophet Alibi Detect Kats darts statsmodels nixtla GluonTS RRCF STUMPY Greykite pmdarima 단변량(Univariate) 예… --- ## [Time-LLM: LLM을 다시 프로그래밍하여 시계열 예측을 하는 모델 (Time Series Forecasting by Reprogramming Large Language Models)](https://discuss.pytorch.kr/t/time-llm-llm-time-series-forecasting-by-reprogramming-large-language-models/3436)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 5\ **마지막 업데이트:** [12월 24, 2024, 10:18오전 UTC](https://discuss.pytorch.kr/t/time-llm-llm-time-series-forecasting-by-reprogramming-large-language-models/3436 "2024-12-24T10:18:47Z")
PyTorchKR​:fire::south\_korea: :thinking::speech\_balloon: 개인적으로 관심이 있지만 이래저래 손을 못 대고 있었던 시계열 예측(Time-series Forecasting) 분야에서 LLM을 끼얹은(...) 논문을 발견하여 정리해보았습니다. 까먹고 있었는데 일깨워주신 @coyai 님께 감사드립니다. :bowing\_man: 이 글은 GPT 모델로 정리한 것으로, 잘못된 부분이 있을 수 있으니 글 아래쪽의 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다. :hugs: 소개 Time-LLM은 시계열 데이터를 텍스트 기반의 표현으로 변환한 뒤 이를 LLM에 학습시키는 방식을 활용합니다. 즉, LLM의 기존의 언어 처리 기능을 시계열 예측에 활용한 것으로, 시계열 데이터를 텍스트 형태로 변경 / 접두사형 프롬프트(PaP, Prompt-as-Prefix)를 사용한 요청, 결과 텍스트를 다시 시계열 데이터로 변경하는 과정을 거쳐서 예측을 하게 됩니다. 시계열 데이터의 미래 가치를 정확하게 예측하는 것은 금융, 마케팅, 자원 관리, 과학 연구 등 다양한 분야에서 매우 중요하지만, 기존의 예측 방법은 복잡한 데이터 패턴으로 인해 어려움을 겪거나 전문 지식이 필요한 경우가 대부분이었습니다. 통계 모델이나 머신러닝 알고리즘과 같은 전통적인 방법은 널리 사용되지만 데이터의 미묘한 뉘앙스를 포착하지 못할 수 있는데 반해, Time-LLM은 새로운 가능성을 제시합니다. LLM 재프로그래밍(LLM Reprogramming)이란? 기존의 시계열 예측 방법들은 주로 특정 작업을 위해 설계된 알고리즘을 활용하고 있어, 예측 알고리즘과 데이터 특성에 대한 전문 지식을 필요로하는 것이 일반적이었습니다. 하지만, Time-LLM에서 접근한 'LLM 재프로그래밍(LLM reprogramming)' 방식을 사용하면 광범위한 파인튜닝이나 재학습 없이 원하는 시계열 예측 방법에 사용할 … --- ## [Sulie, 시계열 예측을 위한 파운데이션 모델 플랫폼 (feat. Mimosa)](https://discuss.pytorch.kr/t/sulie-feat-mimosa/5543)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [11월 19, 2024, 11:07오후 UTC](https://discuss.pytorch.kr/t/sulie-feat-mimosa/5543 "2024-11-19T23:07:47Z")
Sulie 소개 Sulie는 시계열 예측(Time-series Forecasting)을 위한 최첨단 파운데이션 모델을 제공하는 플랫폼으로, 최소한의 설정으로 정확한 제로-샷(Zeo-shot) 예측을 가능하게 합니다. Sulie는 트랜스포머(Transformer) 기반의 파운데이션 모델 Mimosa를 사용하며, 프로세스를 자동화하여 직접 학습을 하거나 복잡한 설정을 하지 않고도 사용할 수 있습니다. 자동 미세 조정(Automatic Fine-tuning)을 통해 Mimosa 모델을 특정 데이터셋 및 비즈니스 사례에 맞춰 최적화할 수 있습니다. 미세 조정 시에는 WQL(가중 사분위 손실, Weighted Quantile Loss)을 사용하여 높은 정확도를 보장합니다. Sulie의 주요 특징 제로-샷 예측(Zero-Shot Forecasting): 학습이나 과거 데이터의 전처리 없이도 파운데이션 모델을 통해 정확한 예측을 즉시 얻을 수 있습니다. 자동 미세 조정(Auto Fine-tuning): 단 한 번의 API 호출로 모델 성능을 향상하세요. 전체 학습 파이프라인을 관리하여 모델 선택 및 지표에 대한 투명성을 제공합니다. 공변량 지원(Covariates Support): 피처 엔지니어링(Feature Engineering) 없이도 동적 및 정적 공변량(Dynamic and Static Covariates)을 통합하여 다변량 예측을 수행할 수 있습니다. 이 기능은 유료 버전(Enterprise)에서 사용할 수 있습니다. 관리형 인프라(Managed Infrastructure): 배포, 확장 및 유지 관리의 모든 측면을 원활하게 관리하므로 예측에 집중할 수 있습니다. 중앙 집중식 데이터셋(Centralized Datasets): Python SDK를 통해 시계열 데이터를 지속적으로 푸시하여 조직 전체에서 액세스할 수 있는 중앙화된 저장소를 생성하고 관리할 수 있습니다. :github: Sulie GitHub 저장소 … --- ## [\[GN⁺\] Google TimesFM - 시계열 예측을 위한 시계열 파운데이션 모델](https://discuss.pytorch.kr/t/gn-google-timesfm/4396)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 18, 2024, 4:00오후 UTC](https://discuss.pytorch.kr/t/gn-google-timesfm/4396 "2024-05-18T16:00:14Z")
Google TimesFM - 시계열 예측을 위한 시계열 파운데이션 모델 소개 구글 리서치에서 개발한 시계열 예측용 파운데이션 모델 1,000억 개의 실제 시계열 데이터 포인트로 사전 학습 다양한 공개 벤치마크에서 뛰어난 제로 샷 성능을 보임 도메인과 시간 단위가 다양한 데이터셋에 적용 가능함 시계열 예측은 소매, 금융, 제조, 의료, 자연과학 등 다양한 분야에서 널리 활용됨 예를 들어, 소매 분야에서 수요 예측 정확도 향상은 재고 비용 절감과 수익 증대에 기여함 딥러닝 모델의 부상 다양한 설정에서 우수한 성능을 입증한 딥러닝 모델이 시계열 예측에 널리 사용됨 M5 경진대회에서도 딥러닝 모델이 좋은 성적을 거둠 대규모 언어 모델의 발전 번역, 검색 기반 생성, 코드 완성 등 자연어 처리 작업에 사용되는 대규모 언어 모델이 빠르게 발전함 대량의 텍스트 데이터로 학습하여 언어 패턴을 식별하는 능력을 갖춤 검색과 결합하여 현재 이벤트에 대한 질문에 답하고 요약할 수 있는 강력한 제로샷 도구로 활용됨 딥러닝 기반 예측 모델의 한계 전통적인 방법보다 우수한 성능을 보이지만, 학습과 추론 비용 감소에 어려움이 있음 새로운 시계열 데이터에 대해 모델을 테스트하기 전에 긴 학습 및 검증 주기가 필요함 TimesFM은 시계열 예측을 위한 디코더 전용 파운데이션 모델 1,000억 개의 실제 시계열 데이터로 사전 학습된 단일 예측 모델 최신 대규모 언어 모델보다 훨씬 작은 200만 개의 파라미터를 가짐 다양한 도메인과 시간 단위의 데이터셋에 대해 제로샷으로 최첨단 지도 학습 접근 방식에 근접한 성능을 보임 추가 학습 없이 기존에 보지 못한 시계열 데이터에 대해 즉시 적절한 예측을 제공함 사용자가 소매 수요 계획과 같은 실제 다운스트림 작업에 대한 예측을 개선하는 데 집중할 수 있게 해줌 논문: "A decoder-only foundation model for time-series forecasting", ICML 2024에 발표 예정 GN… --- ## [Moirai: 다양한 예측을 위한 시계열 파운데이션 모델 (feat. Salesforce)](https://discuss.pytorch.kr/t/moirai-feat-salesforce/4395)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 18, 2024, 3:53오후 UTC](https://discuss.pytorch.kr/t/moirai-feat-salesforce/4395 "2024-05-18T15:53:37Z")
Moirai: 다양한 예측을 위한 시계열 파운데이션 모델 (feat. Salesforce) 요약 Moirai는 범용 예측 기능을 제공하는 최첨단 시계열 기초 모델입니다. 여러 도메인, 주파수 및 변수에 걸쳐 다양한 예측 작업을 제로 샷 방식으로 처리할 수 있는 다목적 시계열 예측 모델이라는 점이 특징입니다. 이를 위해 Moirai(모이라이)는 (i) 9개 영역에 걸쳐 270억 개의 관측치로 구성된 대규모의 다양한 시계열 데이터 세트인 LOTSA 구축, (ii) 단일 모델이 다양한 주파수에 걸쳐 시간적 패턴을 포착할 수 있는 다중 패치 크기 투영 레이어 개발, (iii) 단일 모델이 모든 변수에 대한 예측을 처리할 수 있는 임의 변수 주의 메커니즘 구현, (iv) 유연한 예측 분포 모델을 위한 혼합 분포 통합의 네 가지 주요 과제를 해결하고 있습니다. 분포 내 및 분포 외 환경 모두에서 종합적인 평가를 통해 Moirai는 풀샷 모델에 비해 경쟁력이 있거나 우수한 성능을 일관되게 제공함으로써 제로샷 예측자로서의 역량을 입증했습니다. 소개 Moirai는 범용 시계열 예측 모델로, 다양한 도메인과 빈도의 데이터를 하나의 모델로 처리합니다. 기존의 시계열 모델은 특정 데이터셋에 맞춰 훈련되었지만, Moirai는 대규모 데이터셋 LOTSA를 활용하여 다양한 패턴을 학습합니다. 이를 통해 Moirai는 여러 분야의 시계열 데이터를 효과적으로 예측할 수 있는 능력을 갖추게 되었습니다. 기존의 시계열 모델은 주로 단일 도메인과 고정된 빈도로 훈련되었지만, Moirai는 다중 빈도, 다변량 데이터를 한꺼번에 처리할 수 있습니다. 이는 기존 모델 대비 훈련과 운영의 효율성을 크게 향상시킵니다. 주요 특징 다중 빈도 예측: 다양한 빈도의 데이터를 처리하기 위해 여러 크기의 패치 투영 레이어를 도입. 다변량 주의 메커니즘: Rotary Position Embeddings와 이진 주의 편향을 통해 다변량 데이터를 하나의 시퀀스로 처리. 혼합 분포 … --- ## [TimeGPT-1: 시계열 예측 및 이상 감지를 위한 파운데이션 모델](https://discuss.pytorch.kr/t/timegpt-1/4364)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 14, 2024, 3:13오후 UTC](https://discuss.pytorch.kr/t/timegpt-1/4364 "2024-05-14T15:13:22Z")
TimeGPT-1: 시계열 예측 및 이상 감지를 위한 파운데이션 모델 소개 TimeGPT는 1000억 개 이상의 데이터 포인트로 훈련된 시계열 데이터 전용의 대규모 트랜스포머 기반 모델입니다. 이 모델은 특히 시계열 예측과 이상 감지 작업에 최적화되어 있으며, 다양한 도메인의 데이터에 적용 가능합니다. 사용자는 복잡한 학습 과정 없이도 미리 학습된 모델을 활용하여 소매, 전기, 금융, IoT 등 다양한 분야에서의 예측을 해볼 수 있습니다. 몇 줄의 코드만으로도 이러한 시계열 예측 기능을 제공하여, 코드 작성에 익숙하지 않은 사용자도 쉽게 접근할 수 있는 점이 특징입니다. TimeGPT는 기존의 ARIMA, ETS, MSTL 등의 통계적 방법과 XGBoost, LightGBM 같은 머신러닝 모델을 포함해 다양한 딥러닝 접근법과 비교됩니다. 이러한 모델들은 전통적으로 데이터 분석가들에게 널리 사용되었으나, TimeGPT는 제로샷 추론 능력으로 이들을 능가하는 성능을 보여주었습니다. 간단한 설정과 몇 줄의 코드로 빠른 예측이 가능한 점도 장점입니다. 주요 특징 제로샷 추론: 추가적인 데이터셋 훈련 없이도 사용 가능 파인튜닝: 특정 데이터셋에 대해 모델 성능을 개선할 수 있는 기능 API 접근성: 다양한 애플리케이션에 쉽게 통합 가능 이상 변수 추가: 예측 정확도를 높이기 위한 변수 추가 기능 다중 시계열 예측: 동시에 여러 시계열 데이터 예측 가능 사용 방법 TimeGPT의 기본 사용 방법은 아주 간단합니다. 먼저, NixtlaClient를 인스턴스화하고, 필요한 데이터를 로드한 다음, 예측을 실행하면 됩니다. 다음은 전기 수요 데이터를 사용한 예측의 예시 코드입니다: # Install nixtla's SDK pip install nixtla\>=0.5.1 이 때, 사용하는 API 키는 문서를 참고하여 NIXTLA에 회원 가입 후 발급받을 수 있습니다. import pandas as pd from nixtla im… --- ## [\[GN\] Lag-Llama - 시계열 예측을 위한 첫번째 오픈소스 파운데이션 모델](https://discuss.pytorch.kr/t/gn-lag-llama/3517)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [2월 16, 2024, 1:30오전 UTC](https://discuss.pytorch.kr/t/gn-lag-llama/3517 "2024-02-16T01:30:00Z")
GeekNews의 xguru님께 허락을 받고 GN에 올라온 글들 중에 AI 관련된 소식들을 공유하고 있습니다. :smiley\_cat: 소개 Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting 비전과 언어 측면에서는 기초 모델이 잘 확립되어 있지만 시계열 예측은 뒤처져 있으며 여전히 데이터 집합별 모델에 의존 여러 도메인의 대규모 시계열 데이터 코퍼스에 대해 사전 학습 다양한 다운스트림 데이터 세트에 대한 강력한 제로 샷 일반화 기능을 보임 알지 못했던 데이터셋의 작은 부분만으로 미세조정을 하더라도 기존의 딥러닝 접근 방식을 능가하는 최첨단 성능을 보임 더 읽어보기 트위터 소개 글 https://twitter.com/arjunashok37/status/1755261111233114165 HuggingFace Colab 데모 코드 GitHub 저장소 https://github.com/time-series-foundation-models/lag-llama 논문 출처 / GeekNews --- ## [시계열데이터 분류에 관한 예제나 강의가 혹시 있을까요?](https://discuss.pytorch.kr/t/topic/195)
**Author:** [@user4](https://discuss.pytorch.kr/u/user4)\ **댓글:** 3\ **마지막 업데이트:** [3월 10, 2022, 8:29오전 UTC](https://discuss.pytorch.kr/t/topic/195 "2022-03-10T08:29:45Z")
전압 전류를 이용한 시스템의 상태에 대해 분류를 하려고합니다. 전압 전류데이터의 경우에는 주기를 가진 시계열 데이터라 1d CNN을 사용하여 시스템의 상태를 분류해보려고합니다. 제가 아직 python사용에 미숙하여 코드작성이 힘든데, 혹시 시계열데이터 분류의 좋은 예제나 강의같은게 있을까요?