자습서: 시계열 분석 및 ML.NET 사용하여 자전거 대여 서비스 수요 예측

ML.NET 사용하여 SQL Server 데이터베이스에 저장된 데이터에 대한 일변량 시계열 분석을 사용하여 자전거 대여 서비스에 대한 수요를 예측하는 방법을 알아봅니다.

이 튜토리얼에서는 다음을 배우게 됩니다:

문제 이해
데이터베이스에서 데이터 로드
예측 모델 만들기
예측 모델 평가
예측 모델 저장
예측 모델 사용

필수 조건

.NET Desktop Development 워크로드가 설치된 Visual Studio 2022 이상.

시계열 예측 샘플 개요

이 샘플은 단수 스펙트럼 분석이라고 하는 일변량 시계열 분석 알고리즘을 사용하여 자전거 대여 수요를 예측하는 C# 콘솔 애플리케이션 입니다. 이 샘플의 코드는 GitHub의 dotnet/machinelearning-samples 리포지토리에서 찾을 수 있습니다.

문제 이해

효율적인 작업을 실행하기 위해 인벤토리 관리가 중요한 역할을 합니다. 재고가 너무 많은 제품은 판매되지 않은 제품이 선반에 앉아 있어 수익을 창출하지 않는다는 것을 의미합니다. 제품이 너무 적으면 매출 손실과 경쟁업체에서 구매하는 고객이 발생합니다. 따라서 지속적인 질문은, 손에 유지할 인벤토리의 최적 양은 무엇입니까? 시계열 분석은 기록 데이터를 보고, 패턴을 식별하고, 이 정보를 사용하여 나중에 값을 예측하여 이러한 질문에 대한 답변을 제공하는 데 도움이 됩니다.

이 자습서에서 사용되는 데이터를 분석하는 기술은 일변량 시계열 분석입니다. 일변량 시계열 분석은 월별 판매와 같은 특정 간격으로 일정 기간 동안 단일 숫자 관찰을 살펴봅니다.

이 자습서에서 사용되는 알고리즘은 SSA(단수 스펙트럼 분석)입니다. SSA는 시계열을 주 구성 요소 집합으로 분해하여 작동합니다. 이러한 구성 요소는 추세, 노이즈, 계절성 및 기타 여러 요인에 해당하는 신호의 부분으로 해석될 수 있습니다. 그런 다음 이러한 구성 요소가 다시 구성되고 나중에 값을 예측하는 데 사용됩니다.

콘솔 애플리케이션 만들기

"BikeDemandForecasting"이라는 C# 콘솔 애플리케이션 을 만듭니다. 다음 단추를 클릭합니다.
사용할 프레임워크로 .NET 8을 선택합니다. 만들기 버튼을 클릭합니다.
Microsoft.ML 버전 NuGet 패키지 설치

비고

이 샘플에서는 달리 명시되지 않는 한 언급된 안정적인 최신 버전의 NuGet 패키지를 사용합니다.
1. 솔루션 탐색기에서 프로젝트를 마우스 오른쪽 단추로 클릭하고 NuGet 패키지 관리를 선택합니다.
2. 패키지 원본으로 "nuget.org"을 선택하고 찾아보기 탭을 선택하고 Microsoft.ML 검색합니다.
3. 시험판 포함 확인란을 선택합니다.
4. 설치 단추를 선택합니다.
5. 변경 내용 미리 보기 대화 상자에서 확인단추를 선택한 다음, 나열된 패키지의 사용 조건에 동의하는 경우 라이선스 승인 대화 상자에서 동의 단추를 선택합니다.
6. System.Data.SqlClient 및 Microsoft.ML.TimeSeries에 대해 다음 단계를 반복합니다.

데이터 준비 및 이해

Data라는 디렉터리를 만듭니다.
DailyDemand.mdf 데이터베이스 파일을 다운로드하고 데이터 디렉터리에 저장합니다.

비고

이 자습서에서 사용되는 데이터는 UCI 자전거 공유 데이터 세트에서 제공됩니다. 하디 Fanaee-T와 주앙 가마, '앙상블 탐지기와 배경 지식을 결합한 이벤트 레이블 지정', 인공지능의 진보 (2013): pp. 1-15, Springer Berlin Heidelberg, 웹 링크.

원래 데이터 세트에는 계절성 및 날씨에 해당하는 여러 열이 포함되어 있습니다. 간단히 하기 위해 이 자습서에서 사용되는 알고리즘에는 단일 숫자 열의 값만 필요하므로 원래 데이터 세트는 다음 열만 포함하도록 압축되었습니다.

dteday: 관찰 날짜입니다.
year: 관찰의 인코딩된 연도입니다(0=2011, 1=2012).
cnt: 해당 날짜의 총 자전거 대여 수입니다.

원래 데이터 세트는 SQL Server 데이터베이스에서 다음 스키마를 사용하여 데이터베이스 테이블에 매핑됩니다.

CREATE TABLE [Rentals] (
    [RentalDate] DATE NOT NULL,
    [Year] INT NOT NULL,
    [TotalRentals] INT NOT NULL
);

다음은 데이터의 샘플입니다.

대여일	연도	TotalRentals
1/1/2011	0	985
1/2/2011	0	801
1/3/2011	0	1349

입력 및 출력 클래스 만들기

Program.cs 파일을 열고 기존 using 지시문을 다음으로 바꿉니다.

using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.TimeSeries;
using System.Data.SqlClient;

클래스를 만듭니다 ModelInput . Program 클래스 아래에 다음 코드를 추가합니다.
```
public class ModelInput
{
    public DateTime RentalDate { get; set; }

    public float Year { get; set; }

    public float TotalRentals { get; set; }
}
```
클래스에는 ModelInput 다음 열이 포함됩니다.
- RentalDate: 관찰 날짜입니다.
- 연도: 관찰의 인코딩된 연도입니다(0=2011, 1=2012).
- TotalRentals: 해당 날짜의 총 자전거 대여 수입니다.
새로 만든 ModelOutput 클래스 아래에 클래스를 만듭니 ModelInput 다.
```
public class ModelOutput
{
    public float[] ForecastedRentals { get; set; }

    public float[] LowerBoundRentals { get; set; }

    public float[] UpperBoundRentals { get; set; }
}
```
클래스에는 ModelOutput 다음 열이 포함됩니다.
- ForecastedRentals: 예측된 기간의 예측 값입니다.
- LowerBoundRentals: 예측된 기간의 예측 최소값입니다.
- UpperBoundRentals: 예측된 기간의 예측 최대값입니다.

경로 정의 및 변수 초기화

using 지시문 아래에서 데이터 위치, 연결 문자열 및 학습된 모델을 저장할 위치를 저장하는 변수를 정의합니다.

string rootDir = Path.GetFullPath(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "../../../"));
string dbFilePath = Path.Combine(rootDir, "Data", "DailyDemand.mdf");
string modelPath = Path.Combine(rootDir, "MLModel.zip");
var connectionString = $"Data Source=(LocalDB)\\MSSQLLocalDB;AttachDbFilename={dbFilePath};Integrated Security=True;Connect Timeout=30;";

경로를 정의한 후 다음 줄을 추가하여 새 인스턴스 mlContext 로 변수를 초기화 MLContext 합니다.
```
MLContext mlContext = new MLContext();
```
클래스는 MLContext 모든 ML.NET 작업의 시작점이며, mlContext를 초기화하면 모델 생성 워크플로 개체 간에 공유할 수 있는 새 ML.NET 환경이 만들어집니다. 개념적으로 DBContext Entity Framework와 유사합니다.

데이터 로드

형식DatabaseLoader의 레코드를 로드하는 만들기ModelInput.

DatabaseLoader loader = mlContext.Data.CreateDatabaseLoader<ModelInput>();

데이터베이스에서 데이터를 로드할 쿼리를 정의합니다.
```
string query = "SELECT RentalDate, CAST(Year as REAL) as Year, CAST(TotalRentals as REAL) as TotalRentals FROM Rentals";
```
ML.NET 알고리즘은 데이터가 형식 Single이어야 합니다. 따라서 데이터베이스에서 오는 숫자 값 중 단정밀도 부동 소수점 형식이 아닌 값들은 Real 형식으로 변환해야 합니다.

Year 열과 TotalRental 열은 모두 데이터베이스의 정수 유형입니다. 기본 제공 함수를 CAST 사용하여 둘 다 .로 Real캐스팅됩니다.

데이터베이스에 DatabaseSource 연결하고 쿼리를 실행하는 A를 만듭니다.

DatabaseSource dbSource = new DatabaseSource(SqlClientFactory.Instance,
                                connectionString,
                                query);

IDataView에 데이터를 로드합니다.

IDataView dataView = loader.Load(dbSource);

데이터 세트에는 2년 분량의 데이터가 포함되어 있습니다. 첫 해의 데이터만 학습에 사용되며, 두 번째 연도는 실제 값을 모델에서 생성된 예측과 비교하기 위해 유지됩니다. 변환을 사용하여 데이터를 필터링합니다 FilterRowsByColumn .
```
IDataView firstYearData = mlContext.Data.FilterRowsByColumn(dataView, "Year", upperBound: 1);
IDataView secondYearData = mlContext.Data.FilterRowsByColumn(dataView, "Year", lowerBound: 1);
```
첫 해의 경우 매개 변수를 1로 설정하여 1보다 작은 열의 Year 값 upperBound 만 선택됩니다. 반대로 두 번째 연도의 경우 매개 변수를 1로 설정 lowerBound 하여 1보다 크거나 같은 값을 선택합니다.

시계열 분석 파이프라인 정의

SsaForecastingEstimator를 사용하여 시계열 데이터 세트의 값을 예측하는 파이프라인을 정의합니다.
```
var forecastingPipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: "ForecastedRentals",
    inputColumnName: "TotalRentals",
    windowSize: 7,
    seriesLength: 30,
    trainSize: 365,
    horizon: 7,
    confidenceLevel: 0.95f,
    confidenceLowerBoundColumn: "LowerBoundRentals",
    confidenceUpperBoundColumn: "UpperBoundRentals");
```
forecastingPipeline 첫 해에 365개의 데이터 요소를 사용하고, 매개 변수에 지정된 seriesLength 대로 시계열 데이터 세트를 30일(매월) 간격으로 샘플하거나 분할합니다. 이러한 각 샘플은 매주 또는 7일 동안 분석됩니다. 다음 기간의 예측 값을 결정할 때 이전 7일의 값은 예측을 만드는 데 사용됩니다. 모델은 매개 변수에 정의된 horizon 대로 7개의 기간을 미래로 예측하도록 설정됩니다. 예측은 정보에 입각한 추측이기 때문에 항상 100% 정확하지는 않습니다. 따라서 상한 및 하한에 정의된 최적 시나리오와 최악의 시나리오에서 값의 범위를 아는 것이 좋습니다. 이 경우 하한 및 상한에 대한 신뢰도 수준은 95%로 설정됩니다. 그에 따라 신뢰 수준을 높이거나 줄일 수 있습니다. 값이 높을수록 원하는 신뢰 수준을 달성하기 위해 범위가 상한과 하한 사이입니다.
이 메서드를 Fit 사용하여 모델을 학습시키고 이전에 정의된 forecastingPipeline데이터에 맞습니다.
```
SsaForecastingTransformer forecaster = forecastingPipeline.Fit(firstYearData);
```

모형 평가하기

내년 데이터를 예측하고 실제 값과 비교하여 모델이 얼마나 잘 수행되는지 평가합니다.

Evaluate 파일의 맨 아래에 호출 되는 새 유틸리티 메서드를 만듭니다.
```
Evaluate(IDataView testData, ITransformer model, MLContext mlContext)
{

}
```
메서드 내에서 Evaluate 학습된 모델과 함께 메서드를 Transform 사용하여 2년차 데이터를 예측합니다.
```
IDataView predictions = model.Transform(testData);
```

메서드를 사용하여 데이터에서 실제 값을 가져옵니다 CreateEnumerable .

IEnumerable<float> actual =
    mlContext.Data.CreateEnumerable<ModelInput>(testData, true)
        .Select(observed => observed.TotalRentals);

메서드를 사용하여 예측 값을 가져옵니다 CreateEnumerable .

IEnumerable<float> forecast =
    mlContext.Data.CreateEnumerable<ModelOutput>(predictions, true)
        .Select(prediction => prediction.ForecastedRentals[0]);

일반적으로 오류라고 하는 실제 값과 예측 값의 차이를 계산합니다.

var metrics = actual.Zip(forecast, (actualValue, forecastValue) => actualValue - forecastValue);

평균 절대 오차 및 제곱 평균 오차 값을 계산하여 성능을 측정합니다.
```
var MAE = metrics.Average(error => Math.Abs(error)); // Mean Absolute Error
var RMSE = Math.Sqrt(metrics.Average(error => Math.Pow(error, 2))); // Root Mean Squared Error
```
성능을 평가하기 위해 다음 메트릭이 사용됩니다.
- 평균 절대 오차: 예측이 실제 값과 얼마나 가까운지 측정합니다. 이 값의 범위는 0에서 무한대 사이입니다. 0에 가까울수록 모델의 품질이 향상되었습니다.
- 제곱 평균 오차: 모델의 오류를 요약합니다. 이 값의 범위는 0에서 무한대 사이입니다. 0에 가까울수록 모델의 품질이 향상되었습니다.

메트릭을 콘솔에 출력합니다.

Console.WriteLine("Evaluation Metrics");
Console.WriteLine("---------------------");
Console.WriteLine($"Mean Absolute Error: {MAE:F3}");
Console.WriteLine($"Root Mean Squared Error: {RMSE:F3}\n");

메서드를 호출하는 Evaluate 아래 메서드를 호출합니다 Fit() .
```
Evaluate(secondYearData, forecaster, mlContext);
```

모델 저장

모델에 만족하는 경우 나중에 다른 애플리케이션에서 사용하기 위해 저장합니다.

메서드 아래에 Evaluate() .를 만듭니다 TimeSeriesPredictionEngine. TimeSeriesPredictionEngine 는 단일 예측을 만드는 편리한 방법입니다.
```
var forecastEngine = forecaster.CreateTimeSeriesEngine<ModelInput, ModelOutput>(mlContext);
```
이전에 정의된 MLModel.zip 변수에 지정된 대로 호출 modelPath 된 파일에 모델을 저장합니다. 이 메서드를 Checkpoint 사용하여 모델을 저장합니다.
```
forecastEngine.CheckPoint(mlContext, modelPath);
```

모델을 사용하여 수요 예측

Evaluate 메서드 아래에 라는 Forecast새 유틸리티 메서드를 만듭니다.

void Forecast(IDataView testData, int horizon, TimeSeriesPredictionEngine<ModelInput, ModelOutput> forecaster, MLContext mlContext)
{

}

방법 내에서 Forecast 다음 Predict 7 일 동안 임대를 예측하는 방법을 사용합니다.
```
ModelOutput forecast = forecaster.Predict();
```

7개의 기간 동안 실제 값과 예측 값을 정렬합니다.

IEnumerable<string> forecastOutput =
    mlContext.Data.CreateEnumerable<ModelInput>(testData, reuseRowObject: false)
        .Take(horizon)
        .Select((ModelInput rental, int index) =>
        {
            string rentalDate = rental.RentalDate.ToShortDateString();
            float actualRentals = rental.TotalRentals;
            float lowerEstimate = Math.Max(0, forecast.LowerBoundRentals[index]);
            float estimate = forecast.ForecastedRentals[index];
            float upperEstimate = forecast.UpperBoundRentals[index];
            return $"Date: {rentalDate}\n" +
            $"Actual Rentals: {actualRentals}\n" +
            $"Lower Estimate: {lowerEstimate}\n" +
            $"Forecast: {estimate}\n" +
            $"Upper Estimate: {upperEstimate}\n";
        });

예측 출력을 반복하고 콘솔에 표시합니다.

Console.WriteLine("Rental Forecast");
Console.WriteLine("---------------------");
foreach (var prediction in forecastOutput)
{
    Console.WriteLine(prediction);
}

애플리케이션 실행

아래에서 메서드를 호출하여 Checkpoint() 메서드를 호출합니다 Forecast .
```
Forecast(secondYearData, 7, forecastEngine, mlContext);
```

애플리케이션을 실행합니다. 아래와 유사한 출력이 콘솔에 표시됩니다. 간단히 하기 위해 출력이 압축되었습니다.

Evaluation Metrics
---------------------
Mean Absolute Error: 726.416
Root Mean Squared Error: 987.658

Rental Forecast
---------------------
Date: 1/1/2012
Actual Rentals: 2294
Lower Estimate: 1197.842
Forecast: 2334.443
Upper Estimate: 3471.044

Date: 1/2/2012
Actual Rentals: 1951
Lower Estimate: 1148.412
Forecast: 2360.861
Upper Estimate: 3573.309

실제 및 예측 값을 검사하면 다음과 같은 관계가 표시됩니다.

실제 비교 및 예측 비교

예측 값은 정확한 임대 수를 예측하지는 않지만 작업에서 리소스 사용을 최적화할 수 있는 보다 좁은 범위의 값을 제공합니다.

축하합니다! 이제 자전거 대여 수요를 예측하는 시계열 기계 학습 모델을 성공적으로 빌드했습니다.

이 자습서의 소스 코드는 dotnet/machinelearning-samples 리포지토리에서 찾을 수 있습니다.

다음 단계

피드백

이 페이지가 도움이 되었나요?

Last updated on 2025-12-06