미래를 예측하는 작은 비법: AI 시대의 시계열 예측 이야기

안녕하세요, AI 코리아 뉴스레터 독자 여러분! Sai 김진환 입니다. 오늘은 시계열 분석에 대한 내용을 전달해드리려고 하는데요.

오늘 아침, 출근길에 우산을 챙길지 말지 고민했던 적 있으신가요? 주말에 열리는 야외 공연이 비로 취소될까 걱정해 본 적은요? 우리는 일기예보를 보고 이런 결정을 내립니다. 주식 투자자라면 내일 증시가 오를지 떨어질지 매일같이 촉각을 곤두세우고, 기업 경영자는 다음 분기 제품이 얼마나 팔릴지 예측해 생산량을 조절합니다. 이처럼 “미래를 내다보는 일”, 즉 시계열 예측은 우리 일상과 경제 전반에 깊숙이 스며들어 있습니다.

요즘 AI 기술은 그림도 그리고 소설도 쓰는 “생성형 AI” 시대를 열었지만, 정작 숫자로 미래를 맞추는 일 역시 그 못지않게 중요해졌습니다. AI가 만들어낸 화려한 그림이나 음악 뒤에서도 “다음에 무슨 일이 일어날까?”를 예측하는 기술이 필수적이죠. 예를 들어, 정부는 경제성장률과 실업률을 예측해 정책을 만들고, 병원은 질병 발생률을 예측해 대비하며, 물류 회사는 내일 배송 물량을 예상해 차량과 인력을 배치합니다.

만약 이런 예측이 크게 빗나가면 어떤 일이 벌어질까요? 실제 사례가 있습니다. 2022년 미국의 대형 유통회사 타깃(Target)은 수요 예측을 잘못하는 바람에 재고가 쌓였고, 그 결과 분기 순이익이 90%나 급감하는 충격을 겪었습니다. 예측 하나가 빗나가자 수익이 곤두박질친 것이죠. 또 다른 예로, 형식적이긴 해도 날씨 예측이 틀리면 항공편이 무더기로 결항되거나, 반대로 태풍을 잘 예측하면 수천억 원의 피해를 막기도 합니다. 이처럼 시계열 예측은 우리 삶과 산업에 커다란 영향을 미치기 때문에, AI 시대에도 그 중요성이 결코 퇴색되지 않는 것입니다.

그렇다면 이런 예측은 어떻게 이루어질까요? 초거대 AI가 아닌, 가장 기본적이면서도 알찬 시계열 예측 기법 세 가지를 소개해드릴게요. 이름만 들으면 어렵게 느껴지겠지만, 알고 보면 평균을 내 보고, 그냥 어제 그대로라고 믿고, 최근 흐름에 따라 살짝 가중치를 주는 아주 소박한 방법들입니다. 지금부터 하나씩 알아보겠습니다.

평균 모델: “평균이라면 큰 문제 없겠지?”

첫 번째 주인공은 바로 평균 모델입니다. 말 그대로 과거 데이터의 평균값으로 미래를 예측하는 방법이죠. 너무 단순하다고요? 맞습니다, 가장 단순한 예측법 중 하나인데요. 하지만 단순해서 오히려 기본으로 삼기 좋은 모델이기도 합니다. 우리가 일상에서 무심코 “평균적으로 이 정도니까 내일도 그러겠지” 하고 넘기는 생각이 바로 이 모델과 통합니다.

예를 들어볼까요? 동네 카페 사장님이 하루 매출을 매일 기록해 두었다가, 다음 주 매출을 예상해야 한다고 합시다. 특별한 이벤트나 변화가 없다면, 지난 한 달간의 평균 매출이 곧 다음 주 하루 매출 예측치가 될 수 있습니다. “우리 카페는 평균 하루 100만 원 팔리니까, 내일도 그쯤 되겠지” 하고 준비하는 식이죠. 또 날씨의 경우에도 비슷한 아이디어가 있습니다. 기상학에서 특정 날짜의 기온이나 강수량의 오랜 평균값을 가지고 예보를 삼는 것을 기후 평균치(climatology) 예측이라고 부르는데, 이는 해당 시기의 과거 평균 날씨를 내일의 날씨로 삼는 것입니다. 예컨대 “서울의 7월 첫째 주 평균 기온이 25℃니까 올해도 비슷할 것”이라고 예상하는 것이지요.

물론 평균 모델은 변화나 추세를 반영하지 못한다는 한계가 있습니다. 만약 매출이 점점 늘고 있다면 단순 평균으로는 미래의 상승세를 놓칠 테고, 계절에 따라 크게 달라지는 날씨라면 연중 평균으로 내일을 맞히긴 어렵겠지요. 그럼에도 불구하고 기상 예보의 기준선으로 “이번 시기의 평년 기온”을 제시하거나, 사업 계획을 짤 때 “작년 평균 판매량”을 참고하는 등 평균 모델 사고방식은 널리 쓰입니다. 무엇보다도, 계산이 쉽고 이해하기 쉬워서 예측 입문자에게 좋은 출발점이 됩니다. *“딱히 정보가 없으면 일단 평균으로 잡아라”*라는 말이 나올 정도니까요. 실제로 통계적으로도 과거 데이터가 일정하다는 가정 하에서는 과거 평균이 미래를 예측하는 최적의 값이 될 수 있음을 증명할 수 있습니다. 심심해 보이는 방법일지 몰라도, 모든 예측 모델의 기준점 역할을 하는 든든한 배경이라고 할 수 있습니다.

나이브 예측: “내일도 오늘처럼!”

두 번째로 소개할 기법은 이름부터 재미있는 나이브(Naive) 예측 모델입니다. 여기서 나이브는 “순진한, 소박한” 정도의 뜻인데요. 말 그대로 “내일은 그냥 오늘이랑 똑같을 것”이라고 가정하는 방법입니다. 더 구체적으로는, 가장 마지막에 관측된 값을 그대로 앞으로의 예측값으로 사용하는 것이죠. 어찌 보면 무책임해 보이지만, 의외로 이 방법이 통하는 경우가 많습니다.

한번 생각해봅시다. 만약 갑자기 내일 주식 가격을 예측하라고 한다면, 특별한 정보가 없는 한 “오늘이 5만원이니까 내일도 5만원 쯤 되겠지” 하고 넘기는 경우가 많습니다. 실제로 금융시장의 주가나 환율 같은 데이터는 흔히 “랜덤 워크”, 즉 무작위 걸음에 비유되는데요. 이러한 랜덤 워크 성질을 가진 데이터에서는 가장 좋은 예측이 바로 직전 값 그대로인 경우가 많습니다. 다시 말해, 아무 변화 없을 거라고 보는 게 통계적으로도 최선일 수 있다는 뜻입니다. 그래서 주식시장에서 “내일 주가는 예측 불가”라는 말이 나오는 것이고, 차라리 오늘과 같을 거라고 보는 게 맞을 때도 많다는 것이죠. 실제 경제 분석에서도, 복잡한 기법을 쓰기 전에 나이브 예측을 기준모델(baseline)로 삼아 성능을 비교합니다. 만약 어떤 최신 예측 모델이 이 어제 그대로 모델보다도 못하면 애써 쓸 필요가 없겠지요. 그만큼 나이브 모델은 단순하지만 중요한 비교 기준입니다.

나이브 예측은 날씨 예보에서도 한 자리를 차지합니다. 이를 “습관성 예보” 혹은 “현상 유지 예보(persistence forecast)”라고 부르기도 하는데요. 오늘 비가 오면 내일도 비, 오늘 기온이 30도면 내일도 30도일 거라고 가정하는 겁니다. 얼핏 황당해 보여도, 예보 기간이 아주 짧을 때는 이만한 게 없습니다. 5분 뒤의 날씨를 맞춰야 한다면 어떨까요? 아마 가장 그럴듯한 답은 “지금이랑 똑같을 것”일 겁니다. 실제로 복잡한 대기 현상도 몇 분, 몇 시간 단위의 매우 단기 예보에서는 그냥 최근 상황을 앞으로도 지속된다고 보는 게 가장 현명한 추측인 경우가 많습니다. 예를 들어 갑자기 1시간 뒤의 기온을 맞춰야 한다면, 지금 기온과 똑같다고 하는 예측이 다른 그 어떤 모델보다도 정확할 때가 흔하답니다. 이렇듯 나이브 예측은 생각보다 만만치 않은 경쟁자이고, 그래서 발전된 예측 기법들은 언제나 이 나이브 모델보다 얼마나 나은지를 두고 자신의 성능을 평가받곤 합니다.

흥미로운 사례로, 기상 캐스터들이 농담 삼아 “오늘 예보가 어려울 땐 차라리 어제랑 똑같다고 한다”는 말도 있습니다. 그만큼 날씨가 쉽게 안 변하는 시기에는 어제와 똑같다고 말해도 크게 틀리지 않을 때가 있다는 뜻이지요. 실제 기상 예보 체계에서도 “어제와 같은 예보”는 기본 기준으로 활용되어, 컴퓨터 모형 예보가 이 단순한 방법보다 얼마나 더 나은지를 검증하기도 합니다. “순진무구하게 보이지만 할 건 다 하는” 나이브 모델, 이제 조금 더 믿음이 가지 않으신가요?

지수평활법: “최근의 변화에 가중치를 두자”

마지막으로 소개할 기법은 이름이 다소 길지만 매우 중요한 지수평활법(Exponential Smoothing)입니다. 앞의 평균 모델과 비슷하게 과거 데이터의 평균을 이용하긴 하는데요. 단, 최근 데이터일수록 더 큰 가중치를 주어 평균을 내는 똑똑한 방법입니다. 쉽게 말해 과거는 중요하지만, 최신 정보가 가장 중요하다”는 직관을 수식으로 구현한 것입니다.

지수평활법의 아이디어를 생활에 비유해 볼게요. 혹시 롤러코스터를 탄 적 있으신가요? 출발할 때는 천천히 오르막을 올라가다가, 어느 순간 갑자기 떨어지죠. 만약 우리가 롤러코스터의 위치를 계속 예측해야 한다면, 출발 직후엔 “천천히 오르니까 앞으로도 완만히 올라갈 것”이라고 예상하다가도, 최근에 갑자기 하강하기 시작했다면 그 최근 움직임을 크게 반영해서 “이젠 내려갈 것”이라고 예측을 바꿀 겁니다. 이게 바로 지수평활의 정신입니다. 과거의 완만한 움직임도 참고는 하되, 방금 일어난 급변 상황에 더 무게를 두는 것이죠. 이렇게 하면 변화에 재빠르게 대응하면서도, 단순 나이브처럼 한 번의 요동에 지나치게 흔들리지 않는 균형 잡힌 예측을 할 수 있습니다.

지수평활법에는 흥미로운 탄생 비화가 있습니다. 시간을 잠시 2차 세계대전 시기로 돌려볼까요? 당시 미 해군에 근무하던 로버트 G. 브라운이라는 연구자는 한 가지 어려운 임무를 받았습니다. 잠수하는 적 잠수함의 위치를 추적해 포탄을 쏘는 시스템을 개선하라는 것이었죠. 과거 위치들을 토대로 다음 위치를 예측해야 하는데, 잠수함은 방향을 바꿔 도망 다니니 예측이 쉽지 않았습니다. 브라운은 고민 끝에 “최근 위치일수록 더 신뢰하고, 오래된 정보일수록 지수적으로 신뢰를 줄이는” 방식을 고안했습니다. 이것이 훗날 지수평활법의 시초가 되었습니다. 전쟁이 끝난 뒤 브라운은 이 아이디어를 재고 수요 예측에 적용했고, 전후 기업들은 효율적인 재고 관리에 이 방법을 활용하기 시작했죠. 한편 영국의 찰스 홀트라는 연구자도 비슷한 시기에 이 방법을 발전시켜, 추세나 계절성까지 반영하는 다양한 형태의 지수평활 모델을 내놓았습니다. 재미있게도 지수평활법은 전쟁터의 잠수함 추적에서 태어나 평화시대의 물류 창고로 넘어와 꽃피운 셈입니다.

현대의 많은 수요 예측 시스템에서 지수평활법은 빠질 수 없는 기본 모델입니다. 예컨대, 대형 슈퍼마켓 체인은 지난 몇 년간의 판매 데이터를 지수평활법으로 처리하여 다가올 주간의 물품 수요를 예측합니다. 이렇게 하면 최근의 판매 추세를 민감하게 반영하면서도, 일시적 판매 급증 같은 잡음(spike)에는 지나치게 휘둘리지 않게 됩니다. 실제 실무에서도 “최근 데이터에 가중치를 둔다”는 지수평활의 원리는 재고관리 소프트웨어나 매출 예측 프로그램에 폭넓게 쓰입니다. 예를 들어, 4년 치 판매 데이터를 지수평활로 예측할 때 4년 전의 자료보다 올봄의 판매량에 훨씬 큰 가중치를 두면, 시장의 최신 트렌드를 반영한 예측이 가능합니다. 반면 아주 오래된 정보는 지수적으로 가중치가 줄어 거의 영향력을 상실하기 때문에, 데이터가 오래될수록 자연스럽게 잊혀지는 효과도 얻을 수 있죠.

물론 지수평활법도 약점은 있습니다. 기본 형태의 지수평활법은 명확한 추세나 계절 패턴을 설명하지 못한다는 한계가 있어, 데이터에 뚜렷한 상승 추세나 계절성이 있다면 그 부분은 다른 방식으로 보완해야 합니다. 하지만 단기 예측이나 변화가 크지 않은 경우에는 지수평활법만큼 단순하고도 효과적인 방법이 드뭅니다. 무엇보다 계산법이 가벼워 과거에는 손으로도 쉽게 계산할 수 있었고, 오늘날에도 작은 기기나 한정된 컴퓨팅 환경에서 여전히 유용합니다. 최신 AI 예측 모델들도 이 지수평활 아이디어를 응용한 경우가 많고, 많은 예측 입문 교재들이 첫 챕터에서 지수평활법을 가르치는 데에는 다 이유가 있는 것이죠.

맺으며: 기본은 늘 중요하다

지금까지 살펴본 평균 모델, 나이브 예측, 지수평활법은 비록 가장 단순한 형태의 예측 기법들이지만, 실생활에서 널리 쓰이고 또 다른 고급 모델들의 토대가 되는 소중한 존재입니다. 생성형 AI가 아무리 화려한 그림과 글로 우리를 놀라게 해도, 내일의 주가와 날씨를 맞히는 일은 여전히 만만찮은 도전입니다. 그리고 그 도전의 출발은 결국 “어제까지의 데이터를 어떻게 볼 것인가”라는 근본적인 물음이지요. 평균을 낼 것인가, 마지막 값을 그대로 믿을 것인가, 아니면 최근 흐름에 무게를 둘 것인가 – 이 질문에 대한 답을 정하는 게 예측의 첫 걸음입니다.

흥미롭게도, 가장 단순한 예측이 때론 최고의 예측이 되는 경우를 우리는 봤습니다. 기상 캐스터가 “내일도 오늘 같을 것”이라고 말하는 것이 3일 뒤 날씨를 두고는 꽤 그럴듯한 추측일 수 있고, 기업이 “평균치만큼 팔릴 것”이라 가정하고 재고를 준비하는 것이 큰 무리 없을 때도 있습니다. 이런 이유로 최신 AI 예측 모델이 등장해도 항상 먼저 이들 기본 모델과 비교해보는 것입니다. 마치 달리기 시합에서 페이스메이커가 있듯, 평균이나 나이브 모델은 새 모델들이 넘어야 할 일종의 목표 기록인 셈이죠.

마지막으로, AI 시대의 시계열 예측은 기본 모델 위에 더욱 발전된 기법이 쌓여가는 계단식 발전을 이루고 있습니다. 딥러닝을 활용한 복잡한 예측 모델도 나오고 있지만, 아이러니하게도 “모델을 복잡하게 하기 전에 기본부터 잘하자”는 격언이 통합니다. 실제로도 데이터 과학자들은 새로운 방법을 적용하기 전에 평균이나 나이브 예측을 돌려보고, 그보다 나은지 확인하곤 합니다. 기본이 탄탄해야 응용도 성공하는 법이니까요.

지금 이 순간에도 우리는 알게 모르게 수많은 예측 덕분에 편리하고 안전한 삶을 살고 있습니다. 일기예보로 옷차림을 정하고, 교통량 예측으로 도로를 설계하고, 주문량 예측으로 물류를 최적화합니다. 그리고 그 밑바탕에는 오늘 이야기한 이러한 기본 예측 모델들의 지혜가 깔려 있습니다. 최신 AI가 덧붙여질지언정, 기본 원리는 여전히 빛나고 있다는 점이 흥미롭지 않나요? 앞으로 예보를 볼 때나 경제 뉴스를 접할 때, “아, 저건 결국 평균 모델이겠군”, “저건 나이브한 가정이네”, “음, 최근 추세를 많이 반영했나보다” 하고 한 번 떠올려 보세요. 미래를 내다보는 작은 마법들이 조금은 친숙하게 느껴질 것입니다.

향후 뉴스레터에서는 AI를 활용한 첨단 시계열 예측 기법들도 다뤄볼 예정이니 기대해 주세요. 과거와 현재를 잇는 숫자의 이야기, 오늘은 여기까지입니다. 미래를 예측하는 여러분만의 지혜도 한 번 생각해보시면 어떨까요? 오늘의 하늘을 보며 내일을 짐작해보는 것, 그것이 우리가 만들어온 예측의 시작이니까요.

[저자 관련 정보]
이름 : 김진환
소속: 주식회사 위니브 데이터 Lead - https://weniv.co.kr/
고려대학교 빅데이터사이언스학부 겸임교수, 경제통계학 박사수료
데이터 분석 강의 문의 및 생성형 AI 강의 문의도 언제든 환영입니다.
문의 이메일 주소: happydata1510@gmail.com 

*Affiliate links and regular links may be included.

뉴스레터 광고 공간 (광고주를 모집합니다)

For newsletter banner advertising inquiries, please contact: Bopyo@aikoreacommunity.com

이곳에 서비스를 소개하세요!

뉴스레터 배너 광고 문의: Bopyo@aikoreacommunity.com

뉴스레터 편집장 소개

• 보표 홈페이지
• https://amzbopyo.com/
• 보표 SNS
• 보표 레터: https://www.bopyoletters.com/
• X(트위터): https://twitter.com/AIBopyo
• 스레드: https://www.threads.net/@bopyo.amz
• 링크드인: https://www.linkedin.com/in/bopyo-park-848631231/
• 인스타그램: https://www.instagram.com/bopyo.amz/
• AI 코리아 커뮤니티 아카데미
• https://app.aikoreacommunity.com/collections/932400