CNN

시계열 예측을 위한 컨볼루션 신경망

- 이미지 분류
- 시퀀스의 다음값 예측,
-시계열 또는 문장의 다음 단어 예측 

계층구조
1) 컨볼루션 계층
2) 풀링계층
3) 평탄화
4) 완전연결 계층1
5) 완전연결 계층2

컨볼루션 계층: 컨볼루션 필터링을 이용해 잠재적인 특징을 추출하는 것
풀링 계층: 이미지 또는 계열의 크기를 줄이면서 컨볼루션 계층에 의해 식별된 중요한 특성을 유지
완전 연결 계층: 망 끝에 특징을 추출된 부류냐 값에 매핑하기 위한 몇 개의 완전연결 계층

컨볼루션 계층은 입력(예:1차원 시계열)을 읽고 (지정된 조정 가능한 길이의) 커널을 계열 위로 끈다.
커널은 계열에서 찾고자 하는 특징을 나타내며 시계열과 동일한 너비를 가지므로 시계열의 시작에서 끝까지 한 방향으로만 이동할 수 있다. 각 단계마다 입력값에 커널값을 곱한 다음 비선형 활성화 함수가 결과에 적용된다. 이렇게 하면 원래 입력 계열이 필터 맵이라는 입력의 해석으로 변환된다. CNN아키텍처의 풀링계층을 적ㅇㅇ해 계열의 크기를 줄이지면 동시에 식별된 특성을 유지.

컨볼루션 계층과 풀링 계층을 서로 겹쳐서 여러 계층의 추상화를 제공할 수 있다. AlexNet, VGG-16, Inception, ResNet50 과 같은 널리 사용되는 CNN, 다른 방법으로는 풀링계층의 결과는 완전연결(밀집) 계층으로 전달될 수 있다.

시계열 예측에 1차원 CNN을 사용할 때의 장점은 

- 1차원 CNN은 전체 데이터셋의 고정 길이 세그먼트에서 특징을 발견하는 데 매우 효과적일 수 있다. 과거 n개의 관측값을 기반으로 다음 값 예측. 특히 세그먼트내 특징의 위치가 별로 중요하지 않을 때

- CNN은 시간구성요소(이동 불변)와 무관한 유익한 특징을 추출할 수 있다. 망은 계열의 한 위치에서 패턴을 식별한 다음 다른 위치에서 패턴을 차고 이를 사용해 타깃을 예측할 수 있다. 

- CNN은 잡음에 강하다

- 1차원 CNN은 재현신경망RNN보다 계산 비용이 저렴하며, 때로는 성능이 더 좋다