지수평활법 (Exponential Smoothing)

한 줄 정의: 최근 관측값일수록 더 큰 가중치를, 과거로 갈수록 지수적으로 작아지는 가중치를 두어 미래 값을 예측하는 시계열 기법입니다.

쉽게 풀면

지난달 매출을 예측할 때 1년 전 매출과 어제 매출 중 무엇을 더 참고해야 할까요? 상식적으로 최근 값이 더 중요합니다. 지수평활법은 이 상식을 수식으로 옮긴 방법입니다. 모든 과거 값에 똑같은 가중치를 주는 단순 평균과 달리, 가장 최근 값에 가장 큰 가중치를 주고 시간을 거슬러 올라갈수록 그 가중치를 지수적으로(급격히) 줄여나갑니다. 그 결과 오래된 정보는 예측에 조금만 반영되고 최근 흐름이 예측값에 크게 반영되어, 추세가 바뀌는 상황에도 비교적 빠르게 따라가는 예측을 만들 수 있습니다. 추세와 계절성까지 함께 반영하도록 확장한 버전(홀트-윈터스법)도 널리 쓰입니다.

왜 중요한가

지수평활법은 계산 부담이 적으면서도 실무에서 준수한 예측 성능을 내는 경우가 많아, 수요예측·재고관리·에너지 부하예측 등 시계열 예측이 필요한 다양한 응용 분야 논문에서 기준 모형(baseline)으로 자주 활용됩니다. 최근 값에 더 큰 가중치를 둔다는 아이디어는 단순하지만, 추세와 계절성을 함께 반영하도록 확장할 수 있어 복잡한 딥러닝 기반 예측 모형과의 성능 비교 대상으로도 널리 쓰입니다.

논문에서는 이렇게 쓰입니다

"단기 수요 예측에는 계절성을 반영한 홀트-윈터스 지수평활법(Exponential Smoothing)을 적용하였으며, ARIMA 모형과 예측 정확도를 비교하였다."

이 문장은 "최근 데이터에 더 큰 비중을 두면서 계절 변동까지 고려하는 지수평활법으로 미래 수요를 예측하고, 그 결과를 ARIMA 모형의 예측 성능과 비교했다"는 뜻입니다.

"전력 부하 예측 모형의 기준선으로 단순 지수평활법을 사용하였으며, 제안한 LSTM 기반 모형이 이를 유의하게 상회하는 것을 확인하였다."

에너지 분야 논문에서 새로운 딥러닝 기반 예측 모형의 성능을 입증하기 위해 지수평활법을 비교 기준선으로 삼은 경우입니다.

"온라인 소매 플랫폼의 일별 주문량 변동을 추적하기 위해 평활 계수를 자동으로 조정하는 적응형 지수평활법을 도입하였다."

공급망·운영관리 분야에서 수요 패턴이 시간에 따라 바뀌는 상황에 대응하고자 평활 계수를 고정하지 않고 동적으로 조정하는 변형을 적용한 사례입니다.

조금 더 깊게 보면

지수평활법의 핵심은 평활 계수(흔히 알파로 표기)로, 이 값이 클수록 최근 관측값에 더 민감하게 반응하고 작을수록 과거 정보를 더 오래 반영합니다. 단순지수평활은 추세나 계절성이 없는 시계열에 적합하고, 추세를 추가로 반영한 이중지수평활(홀트법), 계절성까지 반영한 삼중지수평활(홀트-윈터스법)로 확장됩니다. 최근에는 이러한 지수평활 계열 모형을 상태공간 모형(state-space model) 형태로 통일해 예측구간까지 함께 산출하는 ETS(Error-Trend-Seasonal) 프레임워크도 널리 쓰입니다.

주의할 점

지수평활법은 계산이 간단하고 최근 추세 변화에 빠르게 반응한다는 장점이 있지만, ARIMA 모형처럼 데이터의 자기상관 구조를 명시적으로 모형화하지는 않아 복잡한 패턴을 가진 시계열에서는 예측력이 떨어질 수 있습니다. 가중치를 결정하는 평활 계수를 어떻게 설정하느냐에 따라 예측 결과가 크게 달라질 수 있다는 점도 유의해야 합니다.