Prophet 시계열 예측 한 장 요약

이 프로젝트는 시계열을 정교하게 맞추는 문제가 아니라
“어떤 모델을 언제 선택하면 되는가”를 정리하기 위한 기준점이다.

범죄 데이터와 아보카도 시장 데이터는
Prophet이 잘 작동하는 영역과 한계가 드러나는 대비쌍이다.

---

시계열 문제 정의

일반 회귀와의 차이

구분	일반 회귀	시계열
데이터 관계	독립 샘플	시간 의존
입력 의미	값 자체	순서 + 간격
주요 리스크	과적합	미래 정보 누수

핵심 차이:

• 시계열에서는 “언제의 데이터인가”가 변수 그 자체다
• 셔플이 허용되지 않는다
• 과거 → 미래 방향성이 고정된다

👉 시계열은 회귀의 특수한 경우가 아니라
제약이 추가된 다른 문제 유형이다.

---

Prophet의 강점과 전제 조건

Prophet이 깔고 있는 가정

• 데이터는 추세 + 주기 + 잡음으로 분해 가능
• 패턴은 급격히 변하지 않는다
• 계절성은 반복된다

강점 요약

관점	내용
모델 선택	복잡한 비교 불필요
전처리	최소한으로 충분
해석	결과 구조가 직관적

직관적 비유

Prophet은
“과거의 리듬이 미래에도 이어진다”는 전제를 둔 자동 예측기다.

👉 이 전제가 맞는 문제에서는 빠르고 안정적이다.

---

범죄 데이터 vs 시장 데이터 차이

패턴 차이

항목	범죄 데이터	아보카도 시장
변동성	상대적으로 완만	외부 요인 민감
계절성	명확	있으나 왜곡 가능
추세	장기적	단기 충격 잦음

예측 전략 차이

• 범죄 데이터:
  • 장기 추세 + 계절성 중심
  • 안정성 중시
• 시장 데이터:
  • 추세는 참고 수준
  • 예측 구간 짧게 유지

👉 Prophet은 데이터 성격에 따라 기대치를 조정해야 한다.

---

지역별 예측을 분리한 이유

데이터 사고 관점

• 지역은 단순한 필터가 아니라 다른 생성 과정
• 하나로 합치면:
  • 패턴이 평균화된다
  • 지역 고유 신호가 사라진다

분리의 효과

• 각 지역의 추세·계절성 독립 학습
• 예측 결과 해석 가능성 증가

👉 시계열에서는
“데이터를 나눈다 = 가정을 분리한다”는 의미다.

---

Prophet으로 충분한 경우 / 부족한 경우

Prophet으로 충분한 경우

• 명확한 계절성 존재
• 급격한 구조 변화 없음
• 설명 가능한 예측이 필요할 때

Prophet이 부족한 경우

• 외부 변수 영향이 큰 시장
• 패턴이 자주 바뀌는 데이터
• 단기 예측 정확도가 절대적인 경우

👉 Prophet은
기본선(baseline)으로 쓰기 좋은 모델이지, 만능은 아니다.

---

최소 흐름 템플릿

model = Prophet()
model.fit(time_series)
forecast = model.predict(future)

이 이상을 추가해야 할지 여부가
바로 “Prophet을 벗어나야 하는 신호”다.

---

• 참고: Machine Learning 실전 개발 | 8개의 실용 프로젝트