[SKADA] 통신 Core 장비에 대한 이상 징후 감지 (4)

📁 Prophet 모델을 활용한 이상 징후 감지

 

📌 Prophet

• Prophet은 페이스북에서 공개한 시계열 예측 라이브러리
• 가법모형 addictive model에 기반하여, 고전적인 통계적 기법을 발전시킨 방법
• 기존 시계열 모델을 보완하기 위해 탄생
  • 기존 시계열 모델의 문제점
    • 완전 자동화되는 시계열은 튜닝하기 어려움
    • 기업 도메인 지식이 뛰어난 사람은 시계열에 대한 지식 부족
• “Estimation procedures for structural time series models”에 소개된 기본 3요소를 따름
  • g(t): 주기적이지 않은 변화인 트렌드
  • s(t): 계절성, 주별/연도별 등 주기적으로 나타나는 패턴들 포함
  • h(t): 휴일과 같이 불규칙한 이벤트들
  • e_i: 정규분포라고 가정한 오차

 

📌  Prophet의 장점

• 트렌드와 주기적 특성 모델링 가능
• 예외적이고 이벤트와 같은 휴가철 상황도 모델링 가능
• 정확도가 높고 예측이 빠름
• 직관적인 파라미터로 모델 수정 용이

📌  ARIMA vs Prophet

	ARIMA	Prophet
파라미터	파라미터(p, d, q)를 찾기 위해 데이터에 대한 충분한 이해가 전제되어야 함	직관적으로 파라미터를 수정하기 용이
유연성	주기적 특성 모델링 불가	주기적 특성 모델링 가능
정규화	차분과 정규화 필수	차분과 정규화 불필요
결측 치	결측 치 처리 필요	결측 치 처리 불필요

 

📌  이상징후 감지 순서

• Prophet을 이용해 주어진 훈련용 데이터 학습
  • 컬럼으로 ‘ds’, ‘y’ 값만 받을 수 있음
  • Prophet 모델 설정
• 학습된 모델을 사용하여 시계열 예측 시 존재했던 이상치 탐지
  • 예측 값 뿐만 아니라 ‘yhat_lower’, ‘yhat_upper’, ‘trend_lower’, ‘trend_upper’과 같은 다양한 아웃풋 제공
  • 즉, ARIMA와 같이 직접 임계 값을 설정해서 임계 값을 넘는 값에 대한 이상치를 지정해 줄 필요 없음
• 이상치 그리기