forecast

시계열 데이터의 추세를 분석하여 미래 값을 예측합니다. 주기가 있는 데이터는 STL 분해(Seasonal and Trend decomposition using Loess)를 사용하여 추세, 계절성, 잔차 성분으로 분리한 후 추세 성분을 기반으로 예측 값을 산출하며, 입력 레코드에는 예측 기댓값과의 편차에 기반한 이상 스코어를 함께 부여합니다.

명령어 속성

문법

옵션

count=INT

예측할 레코드 수. 1 이상의 자연수여야 합니다. (기본값: 5)

period=INT

시계열 데이터의 주기 길이. 지정하는 경우 3 이상의 자연수여야 합니다. 지정하지 않으면 스펙트럴 밀도 추정(Spectral Density Estimation)을 사용하여 자동으로 주기를 계산하며, 계산된 주기가 2 미만이면 비주기적 데이터로 판단하여 단순 선형 회귀를 적용합니다.

predictor={ets|linear|loess|constant}

method=stl(기본값)로 주기적 데이터를 분해했을 때, 추세 성분을 예측하는 방법 (기본값: ets)

• ets: 지수 평활법(Exponential Smoothing)
• linear: 선형 회귀
• loess: LOESS(국소 가중 산점도 평활법)
• constant: 추세 성분의 평균값을 상수로 사용합니다. 뚜렷한 추세가 없는 시계열에 적합합니다.

이전 버전에서 사용하던 smoother 옵션 이름은 predictor의 별칭으로 계속 인식됩니다. method=linear이거나 비주기적 데이터로 판단된 경우에는 이 옵션이 적용되지 않습니다.

normalize=BOOL

Box-Cox 변환 적용 여부. true로 설정하면 비선형적으로 증가하는 추세를 보정합니다. 추가 연산으로 인한 성능 영향이 있을 수 있습니다. (기본값: false)

accumulate=BOOL

신뢰 구간 누적 여부. true로 설정하면 예측 시점이 멀어질수록 신뢰 구간이 넓어집니다. (기본값: true)

confidence=DOUBLE

상한·하한 구간과 이상 스코어 계산에 사용하는 신뢰 구간 백분율. 0 이상 100 미만의 실수여야 합니다. (기본값: 95)

seed=INT

난수 시드 값. 동일한 입력에 대해 동일한 결과를 재현하려면 시드 값을 지정합니다.

time=STR

시간 필드 이름. 시계열 데이터의 시간 간격을 계산하는 데 사용합니다. (기본값: _time)

method={stl|linear}

시계열 분해 알고리즘 (기본값: stl). 계산된(또는 지정된) 주기가 2 미만인 비주기적 데이터에는 이 옵션과 무관하게 단순 선형 회귀가 적용됩니다.

• stl: STL 분해를 사용하여 추세·계절성·잔차 성분으로 분리한 후, predictor 옵션에 따라 추세 성분을 예측합니다.
• linear: 주기별 평균값(계절성)과 선형 회귀(추세)를 결합하여 예측합니다. 이 방식에서는 predictor 옵션이 적용되지 않습니다.

alpha=DOUBLE

이상 스코어(_score) 계산에 사용하는 감쇠 계수. 0 이상 1 이하의 실수여야 합니다. 각 레코드의 이상 스코어는 이전 레코드의 _score 값 * alpha + 현재 레코드의 확률 기반 스코어로 누적 계산됩니다. (기본값: 0.6)

대상

FIELD

예측 대상 시계열 데이터가 포함된 필드

[by FIELD, ...]

그룹 필드. by 절을 지정하면 그룹 필드 값이 같은 레코드별로 독립적으로 예측합니다. 쉼표(,)로 구분하여 여러 필드를 지정할 수 있습니다.

입력 필드

출력 필드

오류 코드

파싱 오류

런타임 오류

설명

forecast 명령어는 모든 입력 레코드를 수집한 후 시계열 예측을 수행합니다. 입력 레코드에는 추세 성분(_trend), 예측 기댓값(_expected), 신뢰 구간(_upper, _lower), 이상 스코어(_score)를 추가하여 그대로 출력하고, 예측 레코드는 _future, _upper, _lower 필드를 포함하여 입력 레코드 뒤에 count 옵션 개수만큼 추가합니다.

주기(period) 값이 2 이상이면 method 옵션에 따라 STL 분해(stl, 기본값) 또는 주기별 평균과 선형 회귀를 결합한 방식(linear)으로 추세·계절성을 분리하여 예측합니다. predictor 옵션은 method=stl일 때만 적용되며, 추세 성분을 어떤 방법으로 예측할지 결정합니다. 주기가 2 미만이면 비주기적 데이터로 판단하여 method·predictor 옵션과 무관하게 단순 선형 회귀로 예측합니다.

time 옵션으로 지정한 시간 필드의 마지막 두 레코드 간격을 기반으로 예측 레코드의 시간 값을 산출합니다. timechart 명령어 등으로 시간 간격이 일정한 데이터를 준비한 후 사용하는 것을 권장합니다.

입력 데이터는 다음 조건을 모두 충족해야 정상적으로 예측을 수행하며, 그렇지 않으면 원본 레코드에 _forecast_error 필드를 추가하여 그대로 출력합니다.

• 파티션별로 5건 이상의 레코드가 있어야 합니다.
• 파티션의 첫 레코드에서 예측 대상 필드 값이 null이 아니어야 합니다.
• period 옵션을 지정한 경우, 입력 데이터 수가 period 값의 2배 이상이어야 합니다.
• time 옵션으로 지정한 시간 필드 값이 파티션의 마지막 두 레코드에 존재하고 날짜 타입이어야 합니다(이 두 레코드의 간격으로 예측 시간 값을 계산하기 때문입니다).

by 절을 사용하면 그룹 필드 값이 같은 레코드별로 독립적으로 예측합니다. 그룹별 정렬을 위해 내부적으로 임시 파일을 사용할 수 있습니다.

사용 예

이 사용 예에서 조회하는 WEB_APACHE_SAMPLE 테이블을 준비하려면 쿼리 실습용 데이터를 참고하세요.

1. 시계열 데이터의 예측 값 출력

   table WEB_APACHE_SAMPLE
   | timechart span=1h count
   | forecast count
   

   웹 접근 로그를 1시간 단위로 집계한 후, count 필드의 시계열 예측 값 5건과 각 입력 레코드의 이상 스코어(_score)를 출력합니다.

2. 주기와 예측 수 지정

   table WEB_APACHE_SAMPLE
   | timechart span=1h sum(bytes) as traffic
   | forecast period=24 count=12 traffic
   

   주기를 24(일간 패턴)로 지정하고, 향후 12건의 예측 데이터를 출력합니다.

3. 시간 필드와 시드 값 지정

   table WEB_APACHE_SAMPLE
   | timechart span=1h count
   | forecast period=24 time=_time seed=1234 count
   

   주기를 24(일간 패턴)로 지정하고, 시드 값을 1234로 고정하여 동일한 입력에 대해 재현 가능한 결과를 출력합니다.

4. 그룹별 예측

   table WEB_APACHE_SAMPLE
   | timechart span=1h count by method
   | forecast count=10 count by method
   

   method 필드 값이 같은 그룹별로 독립적으로 count 필드의 예측 값을 10건씩 출력합니다.

5. Box-Cox 변환 적용

   table WEB_APACHE_SAMPLE
   | timechart span=1h sum(bytes) as traffic
   | forecast period=24 normalize=true traffic
   

   비선형적으로 증가하는 추세를 보정하기 위해 Box-Cox 변환을 적용하여 예측합니다.

6. 추세가 없는 시계열에 상수형 예측자 사용

   table WEB_APACHE_SAMPLE
   | timechart span=1h count
   | forecast period=24 predictor=constant alpha=0.8 count
   

   뚜렷한 추세가 없는 시계열에 상수형 예측자(predictor=constant)를 사용하고, 이상 스코어 누적 비중(alpha)을 0.8로 높여 직전 스코어의 영향을 더 크게 반영합니다.

변경 이력