Royfactory

TL;DRAI Sales Forecasting에서 딥러닝은 "피처 기반 ML(GBDT)"로 한계가 보일 때, 멀티호라이즌·복잡한 공변량·불확실성(분포 예측)을 더 일관되게 처리하려고 쓰는 카드입니다.최근엔 TimesFM·Chronos·TimeGPT처럼 사전학습(Pretrained) 기반 파운데이션 모델이 등장해, 데이터가 부족한 도메인에서도 제로샷/소량 적응을 시도할 수 있습니다.실무 설계의 핵심은 "모델 고르기"가 아니라 (1) 공변량을 예측 시점에 공급 가능한지, (2) 롤링 오리진 백테스트, (3) 예측구간 불확실성(PI/Quantile) 캘리브레이션, (4) 비용·지연·서빙 형태를 같이 묶는 것입니다.팩트시트 (초안 전 필수)핵심 정의(1문장): 딥러닝 판매 예측은 다수 시계열을 "글로벌 모델"로..

TL;DRAI Sales Forecasting에서 피처 기반 머신러닝(GBDT)은 “시계열을 회귀 문제로 변환”해 대량 SKU/매장 예측을 안정적으로 확장합니다.핵심은 (1) 라그/롤링/캘린더/외생변수 설계, (2) 누수 방지(point-in-time), (3) 롤링 오리진 백테스트, (4) WAPE 중심 평가, (5) 분위수(quantile)로 불확실성까지 한 번에 엮는 것입니다.이번 편에서는 “실무 파이프라인”을 그대로 따라 만들 수 있게 데이터 스키마, 피처 분류, 학습/검증, 운영 체크리스트를 제공합니다.본문TOC피처 기반 ML 판매 예측의 정의와 범위데이터 스키마: (store, item) 패널을 “롱 포맷”으로 고정피처 설계: 라그/롤링/캘린더/외생변수(Static/Dynamic/Calenda..

시계열 예측 라이브러리 Prophet 완전 가이드설명: Meta의 시계열 예측 라이브러리 Prophet 설치부터 핵심 개념(추세·계절성·휴일·변곡점), 교차검증/튜닝, 실전 팁과 코드 예제까지 한 번에 정리합니다.소개본 글은 시계열 예측 라이브러리 Prophet(구 fbprophet)에 대한 기술 가이드입니다. Prophet은 일/주/년 주기의 계절성과 휴일 효과를 더한 가산(additive) 모델을 기반으로 하며, 결측치·이상치·추세 변화에 비교적 강인합니다. Python과 R 양 언어를 지원하며, 파이프라인이 단순하고 빠르게 베이스라인을 만들 수 있다는 점이 장점입니다. ([GitHub][1], [facebook.github.io][2])Prophet 개요모델 철학가산 모델:$y(t) = g(t) +..