지연종속변수 방법론을 활용한 시계열 데이터 예측

Prediction of time series data using the lagged dependent variable method

본 연구는 시계열 예측에서 지연 종속 변수(Lagged Dependent Variables, LDV)의 활용 가능성을 검증하기 위해 수행되었다. 시계열 데이터는 자기상관성과 추세를 내포하고 있어, 과거 시점의 정보를 효과적으로 반영하는 것이 예측 성능 향상에 매우 중요하다. 그러나 기존 연구들은 딥러닝 모델 또는 전통적 회기 기법에 집중되어 있어, LDV를 결합한 모델들의 성능을 비교한 연구는 제한적이다. 본 연구는 LDV를 활용한 예측 모델이 기존 모델 및 딥러닝 모델 대비 어느 정도의 성능적 우위를 가지는 지 분석하였다. 이를 위해 선형 회귀(Linear Regression), Ridge 회귀, Kernel Ridge 회귀 등 전통적인 방법론과, Linear Regression with LDV, Ridge Regression with LDV, Kernel Ridge Regression with LDV를 비교하였다. 추가적으로 LSTM과 Transformer 모델을 포함해 총 8개 모델을 평가하였다. 데이터셋은 화력발전소 가스 터빈에서 발생하는 일산화탄소(CO)와 질소산화물(NOx) 배출량 예측을 목표로 구성된 오픈소스 시계열 데이터와 변압기 내 유온 예측을 위한 ETTm1 데이터셋을 활용하였다. 실험 결과, LDV를 활용한 모델들이 전통적인 모델 대비 평균 45%의 성능 향상을 보였다. 반면 LSTM과 Transformer는 데이터 특성 및 규모의 제약으로 성능이 오히려 저조하게 나타나, 단순히 딥러닝 기법을 적용하는 것만으로는 효과적이지 않음을 확인했다.

This research examines the applicability of Lagged Dependent Variables(LDV) in time series forecasting. Since time series data inherently exhibit autocorrelation and trends, incorporating past observations is essential for improving predictive accuracy. Yet, prior research has focused mainly on deep learning or traditional regression methods, with limited empirical evaluation of LDV-based models. We compare three conventional methods –Linear Regression, Ridge Regression, and Kernel Ridge Regression(KRR)-with their LDV-augmented versions, alongside LSTM and Transformer models, for a total of eight models. The dataset used open-source time-series data constructed to predict carbon monoxide and nitrogen oxides emissions from gas turbines at thermal power plants, along with the ETTm1 dataset for measuring transformer oil temperature. Results show that LDV-based models showed an average performance improvement of 45% compared to the traditional model, while LSTM and Transformer models perform poorly due to data characteristics and scale.