시계열은 일정 간격의 일련의 기간 동안 얻은 관측값 집합입니다(y1, y2, ... ,yN). 예를 들어 분기별 판매 보고서, 월별 평균 온도, 흑점 개수 등이 시계열 데이터에 포함됩니다. 시계열 플랫폼을 사용하면 이러한 유형의 데이터에서 발견되는 패턴과 추세를 탐색할 수 있습니다. 그런 다음 이러한 패턴과 추세를 사용하여 미래의 결과를 예측할 수 있습니다.
시계열 데이터의 공통 특성에는 계절성, 추세 및 자기상관이 포함됩니다. 계절성은 알려진 기간 동안 나타나는 패턴을 말합니다. 예를 들어 월별로 수집되는 데이터는 모든 데이터 수집 연도의 여름철에 유사한 형태를 보일 수 있습니다. 추세는 시간에 따른 값의 점진적 증가 또는 감소와 같이 계열의 장기적인 움직임을 말합니다. 자기상관은 계열의 각 점이 계열의 이전 값과 상관되는 정도를 나타냅니다.
시계열 플랫폼에는 다양한 모형과 예측 방법이 있습니다. 그러나 일부 방법은 추세 또는 계절성을 처리할 수 없습니다. 적절한 모형을 선택하려면 계열에 어떤 특성이 있는지 확인하는 것이 중요합니다. 시계열 플랫폼에서는 시계열의 진화를 설명하고 예측하는 데 적절한 모형 유형을 식별할 수 있는 변동도, 자기상관 그림, 편자기상관 그림 및 스펙트럼 밀도 그림과 같은 그래프를 제공합니다. 또한 이 플랫폼에는 데이터의 계절 또는 일반적 추세를 제거하여 분석을 탐색하고 단순화할 수 있는 몇 가지 차분 및 분해 방법이 있습니다. Box-Cox 변환을 보고 데이터에 적용할 수도 있습니다.
아니면 계절성과 장기 추세를 포함할 수 있는 더 정교한 모형을 적합시킬 수 있습니다. 플랫폼에서 이 기능을 가진 모형 중 하나는 고급 지수 평활 모형인 Winter의 가법 방법입니다. 또한 ARIMA(AutoRegressive Integrated Moving Average) 모형과 상태 공간 평활 모형을 적합시킬 수 있습니다. 이 두 가지 유형의 모형은 통계적으로 가장 복잡하지만 유연성도 가장 높습니다. 고급 지수 평활, ARIMA 및 상태 공간 평활 모형은 해석하기 어렵지만 예측에 탁월한 도구입니다.
시계열 플랫폼에서는 입력 계열과 함께 제공될 경우 전이 함수 모형도 적합시킬 수 있습니다.
참고: ARIMA 모형은 Box-Jenkins 모형이라고도 합니다.