기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# DeepAR 알고리즘 작동 방법
<a name="deepar_how-it-works"></a>

훈련 과정에서 DeepAR은 훈련 데이터세트 및 선택적 테스트 데이터세트를 수락합니다. 그리고 테스트 데이터세트를 사용하여 훈련받은 모델을 평가합니다. 일반적으로 데이터세트에는 동일한 시계열 집합이 포함될 필요가 없습니다. 주어진 훈련 세트에 대해 훈련된 모델을 사용하여 훈련 세트에서 미래의 시계열 및 기타 시계열에 대한 예상을 생성할 수 있습니다. 훈련 및 테스트 데이터세트는 모두 하나 또는 바람직하게는 그 이상의 대상 시계열로 구성됩니다. 각 대상 시계열은 선택적으로 요인(feature) 시계열의 벡터 및 범주 요인(feature)의 벡터와 선택적으로 연결할 수 있습니다. 자세한 내용은 [DeepAR 알고리즘을 위한 입력/출력 인터페이스](deepar.md#deepar-inputoutput) 섹션을 참조하세요.

예를 들어, 다음은 목표 시계열 *Zi,t*와 두 개의 관련 특징 시계열 *Xi,1,t*와 *Xi,2,t* 구성된 *i*로 인덱싱된 훈련 세트의 요소입니다.

![\[그림 1: 대상 시계열 및 연결된 요인(feature) 시계열\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/ts-full-159.base.png)


대상 시계열에 누락된 값이 있을 수 있습니다. 이러한 값은 시계열에서 선 끊김으로 표현됩니다. DeepAR은 미래에 알려지는 기능 시계열만 지원합니다. 따라서 "what if?"를 실행할 수 있습니다. 예: 제품의 가격을 어떤 식으로든 변경하면 어떻게 됩니까?

각 대상 시계열은 여러 가지 범주 요인(feature)과 연결될 수 있습니다. 이러한 요인(feature)을 사용하여 시계열이 속하는 그룹을 인코딩할 수 있습니다. 범주 요인(feature)을 사용하면 모델에서 그룹에 대한 일반적인 행동을 학습할 수 있으므로, 이를 통해 모델 정확성을 향상시킬 수 있습니다. DeepAR은 그룹의 모든 시계열의 공통 속성을 포착하는 각 그룹에 대한 임베딩 벡터를 학습하여 이를 구현합니다.

## DeepAR 알고리즘에서 요인(feature) 시계열이 작동하는 방법
<a name="deepar_under-the-hood"></a>

주말의 급증과 같이 시간에 따라 달라지는 패턴을 쉽게 학습할 수 있도록 DeepAR은 대상 시계열의 빈도를 기반으로 요인(feature) 시계열을 자동으로 생성합니다. 이 파생 요인(feature) 시계열을 훈련 및 추론 중에 제공하는 사용자 지정 요인(feature) 시계열과 함께 사용합니다. 다음 그림은 파생된 시계열 요인 중 두 가지를 보여주는데 *ui,1,t*는 시간을, *ui,2,t*는 요일을 나타냅니다.

![\[그림 2: 파생된 시계열\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/ts-full-159.derived.png)


DeepAR 알고리즘은 이러한 요인(feature) 시계열을 자동으로 생성합니다. 다음 표에는 지원되는 기본 시간 빈도에 대한 파생 요인(feature)이 나열되어 있습니다.


| 시계열의 빈도 | 파생 요인(feature) | 
| --- | --- | 
| Minute |  `minute-of-hour`, `hour-of-day`, `day-of-week`, `day-of-month`, `day-of-year`  | 
| Hour |  `hour-of-day`, `day-of-week`, `day-of-month`, `day-of-year`  | 
| Day |  `day-of-week`, `day-of-month`, `day-of-year`  | 
| Week |  `day-of-month`, `week-of-year`  | 
| Month |  month-of-year  | 

DeepAR은 훈련 데이터세트의 각 시계열에서 여러 훈련 예제를 무작위로 샘플링하여 모델을 훈련합니다. 각 훈련 예제는 미리 정의된 길이가 고정된 한 쌍의 인접 컨텍스트 및 예상 창으로 구성됩니다. `context_length` 하이퍼파라미터는 과거 네트워크에서 확인 가능한 거리를 제어하며, `prediction_length` 하이퍼파라미터는 향후 예상할 수 있는 범위를 제어합니다. 훈련 중 이 알고리즘은 지정된 예측 길이보다 짧은 시계열이 포함된 훈련 세트 요소를 무시합니다. 다음 그림은 *i*에서 얻은 12시간의 컨텍스트 길이와 6시간의 예측 길이를 갖는 5개의 샘플을 보여줍니다. 간략하게 설명하기 위해 요인 시계열 *xi,1,t* 및 *ui,2,t*는 생략했습니다.

![\[그림 3: 샘플링된 시계열\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/ts-full-159.sampled.png)


계절성 패턴을 캡처하기 위해 DeepAR은 또한 대상 시계열에서 지연된 값을 자동으로 공급합니다. 시간 기준 빈도가 적용된 이 예제에서는 각 시간 인덱스 *t = T*에 대해 모델이 과거에 약 1, 2, 3일 동안 발생했던 *zi,t* 값을 노출합니다.

![\[그림 4: 지연된 시계열\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/ts-full-159.lags.png)


추론을 위해 훈련된 모델은 훈련 중에 사용되었을 수도 있고 사용되지 않았을 수도 있는 대상 시계열을 입력으로 받아 다음 `prediction_length` 값에 대한 확률 분포를 예상합니다. DeepAR이 전체 데이터세트에 대해 훈련받았기 때문에 이 예상에는 비슷한 시계열의 학습 패턴이 고려됩니다.

DeepAR의 수학적 계산에 대한 자세한 정보는 [DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks](https://arxiv.org/abs/1704.04110)를 참조하세요.