2025 내일배움캠프 QAQC_2기 본캠프 51일차

안녕하세요! 오늘은 본캠프 51일차입니다!!

오늘은 태블로 라이브세션 마지막날입니다

 

어제 만들었던 대시보드를 직접 만들어보는 시간을 가졌습니다!

• 대시보드 화면 구성 및 디자인
• Tableau Cloud 소개
• 공유/댓글/구독/알림 설정
• 대시보드 및 데이터원본 권한 관리

 

시계열 데이터 세션을 시작했습니다

 

시계열 데이터란?

센서, 장비 로그, 설비 상태 등 시간에 따라 수집되는 데이터

※ 하지만, 단순히 시간 정보가 있다고 시계열 데이터는 아니다!

 

시계열 데이터의 특징

• 시간 순서가 연속적이여야 함
• 이전 값과 현재 값이 상관되어 있음 (자기상관성)

시간이 1분 단위가 아닌 뒤죽박죽일 경우 시계열 데이터가 아닌가요?

네! ex) 어떻게든 균일한 시간으로 바꾸거나 불규칙한 간격을 그대로 두고 사용가능합니다.

 

일별 데이터인데 특정 날에 3개의 row 데이터가 있어도 사용 할 수 있나요?

네! ex) 같은 날짜의 데이터를 집계하거나, 평균, 합계 방식으로 축소 할 수 있어요.

 

 

시계열 데이터 형태

 

1. 계절성

• 특징: 일정한 주기(예: 일별, 주별, 월별)로 반복되는 변동.
• 설명: 계절적, 환경적 요인에 의해 정기적으로 나타나는 패턴.
• 센서 데이터 예시:
  • 에너지 소비 센서: 여름철에는 에어컨 사용으로 전력 소비 증가, 겨울에는 난방 기기로 인해 증가.

2. 추세변동 (Trend Variation)

• 특징: 시간이 지남에 따라 지속적으로 증가하거나 감소하는 경향.
• 설명: 데이터의 장기적인 상승 또는 하락 패턴.
• 예시:
  • 배터리 전압 센서: 배터리 수명이 줄어들면서 전압이 지속적으로 감소.

3. 계절적 추세변동 (Seasonal Trend Variation)

• 특징: 계절성과 추세가 결합된 변동.
• 설명: 계절적인 패턴이 반복되면서, 장기적으로 증가 또는 감소하는 추세도 함께 나타나는 형태.
• 센서 데이터 예시:
  • 에너지 소비 센서: 점점 증가하는 전력 사용량(추세) + 계절별 변동.
  • 교통량 센서: 매년 도심 차량 수가 증가하면서, 출퇴근 시간 패턴이 반복됨.

4. 순환변동 (Cyclic Variation)

• 특징: 경제적, 환경적 요인에 의해 발생하는 불규칙적이고 주기가 일정하지 않은 변동.
• 설명: 계절성과 다르게 일정한 고정된 주기(periodicity)는 없지만 반복되는 경향이 있음
• 데이터 예시:
  • 환경 센서: 미세먼지 수치가 특정 시기에 따라 불규칙적으로 증가.

5. 우연변동 (White Noise)

• 특징: 예측 불가능하고 규칙성이 없는 무작위 변동.
• 설명: 일정한 주기나 규칙이 전혀 없음
• 센서 데이터 예시:
  • 기계 진동 센서: 특정 순간 기계 이상으로 인해 갑자기 높은 진동 수치가 기록됨.
  • 자연재해 : 지진, 쓰나미 등
  • 네트워크 트래픽 센서: 사이버 공격이나 예기치 못한 사용량 급증으로 인해 데이터 전송량이 급격히 변동.

Lag Feature

"과거의 데이터를 새로운 입력으로 추가하는 것"

즉, 이전 시간의 값들을 복사해서 옆 칼럼에 붙여서 예측에 활용하는 방법

 

과거가 현재에 영향을 줄 수 있기 때문

• 예:
  • "어제 많이 비가 왔다면 오늘도 비가 올 확률이 높다"
  • "배터리 전압이 계속 떨어졌다면, 지금도 떨어질 가능성이 높다" ⇒ 배터리 잔량은 전류나 온도가 누적적으로 영향을 미쳐 변화하기 때문에, 현재 값뿐만 아니라 과거 값도 중요하다.

Rolling Statistics

“지정한 범위(window) 내에서 통계값을 계산하는 방법”

즉, 데이터를 일정 구간씩 묶어서 평균, 표준편차 등을 계산하는 기법입니다.

윈도우(Window)란?

시계열 데이터에서 과거 일정한 개수만큼 묶은 구간

 

실제 공정에서는 특정 순간의 압력, 온도, 전류 값만으로는 공정의 전체적인 흐름이나 추세를 파악하기 어려움 ⇒ Rolling Statistics는 정상적인 공정 상태의 '기준선(baseline)' 역할을하는데, 만약 현재 값이 이동 평균에서 크게 벗어나거나, 이동 표준편차가 갑자기 비정상적으로 커진다면, 이는 공정 이상 또는 장비 고장의 초기 징후로 해석

 

diff feature

diff() 는 이전 시점과 현재 시점의 차이

 

왜 diff feature를 추가할까?

 

1. 변화 자체가 의미 있는 경우가 많기 때문

• 시계열 데이터 에서는 현재 값보다 얼마나 변했는지가 더 중요할 수 있음
• 예:
  • 전류가 갑자기 증가했다 → 이상 징후
  • 온도나 특정 센서가 점점 상승 중이다 → 공정 이상 가능성

2. 추세나 패턴을 모델이 인식하게 해줌

• 원본 값만 보면 모델은 "상태"만 인식
• 하지만 변화량이 있으면 방향"과 "속도"도 파악할 수 있음

 

오늘도 수고하셨습니다!!!