해시
lADsP 완전 정복l 이동평균법 / 지수평활법 vwC73kxBdyY
00:05 : 시계열 자료를 분석하는 방법에는 회귀분석 하는 방법이 있고요. Box-Jenkins 방법이 있고, 이동평균법, 지수평활법, 시계열 분해법 이런 방법들이 있습니다.00:16 : 그중에서 대표적으로 보려고 하는 거는 여기 보시면 수학적인 이론 모형에 근거해서00:25 : 시계열 자료를 분석하는 방법에는 회귀분석 방법과 Box-Jenkins 방법이 있고요.00:30 : 좀 직관적으로 시계열 자료를 직관적으로 분석하는 방법에는 지수평활법, 시계열 분해법 이런 것들이 있는데00:40 : 대부분 좀 시간에 따른 변동이 느린 데이터 분석에는 이 직관적인 방법을 써도 좋지만, 시간에 따라서 굉장히 변동이 심한 데이터 같은 경우에는00:53 : 이 방법이 맞지 않는다는 얘기를 하는 거고요. 그다음에 이 시계열 자료 같은 경우에는 과거 동안에 나타났던 어떤 값을 기준으로 해서01:05 : 시계열 분석을 해서 그게 어디에도 나타난다고 보는 거예요. 미래를 예측하려고 하는 목적에서 시계열 분석들을 많이 하고 있기 때문에01:14 : 그래서 목표하는 예측 기간이 장기적인 예측 기간 하는지, 단기적인 예측 기간이 목표인지에 따라서도 쓸 수 있는 분석법이 조금 차이가 있겠죠.01:26 : 단기 예측 같은 경우에는 Box-Jenkins이라든지, 지수평활법이라든지, 시계열 분해법 이런 방법들 쓰시면 되고요.01:34 : 조금 과거의 데이터를 가지고 시계열 분석을 한 다음에 조금 먼 미래에01:41 : 그 값이 어떻게 될 것인지 예측하려고 하는 경우에는 가장 일반적으로 쓰고 있는 방법이 바로 회귀분석이라고 하는 방법을 이용을 하시면 되겠습니다.01:51 : 방법들 중에서 특히 시계열 자료에서 이동평균법을 활용을 할 수가 있는데요.01:58 : 이동평균법이라고 하면 여기에 나와 있는 것처럼 과거에서부터 현재까지의 시계열 자료를 대상으로 해서02:06 : 일정 기간별로 이동평균을 계산한다고 되어 있죠.02:10 : 그래서 일정 기간 동안에 이 값들을 평균을 낸다는 얘기예요. 그래서 이 일정 기간별로 이동평균을 계산을 해서요.02:19 : 이들의 추세를 파악을 하는 거죠. 이 안에 들어있는, 데이터가 가지고 있는 일정한 추세를 파악한 다음에 그게 어디에도 같이 나타날 거다.02:31 : 다음 기간에도 같이 나타날 거기 때문에 그래서 과거의 이동평균 값 가지고 계산하고 거기에서 추세를 파악한 다음에 그 추세에 따라서02:41 : 그다음 기간의 값을 예측하려고 하는 방법이 바로 이동평균법이라고 보시면 됩니다.02:48 : 단, 이동평균법에서는 과거치에 적용되는 가중치가 모두 다 동일하죠. 가중치가 동일하다는 것은 쭉 이렇게 기간이 있을 때02:57 : 10년 치 기간이 있을 때 현재가 여기예요. 그리고 예측하려고 하는 기간은 여기입니다.03:05 : 여기를 예측을 하려고 할 때, 과거 몇 년 동안 수집했던 데이터들이 쭉 있겠죠.03:12 : 그렇지만 이것을 예측하기 위해서 현실적으로 보면 이 미래와, 가장 미래에 가장 영향력을 많이 미칠 수 있는 건 지금입니다.03:26 : 작년, 재작년, 10년 전보다 올해 어떻느냐가 내년에 어떤 값에 영향을 미치기에는 제일 좋죠.03:36 : 하지만 이동평균법은 여기에 영향력을 모두 다 동일하게 보겠다. 라고 하는 게 동일한 가중치를 적용한다. 라는 뜻입니다.03:47 : 그 얘기로 보시면 되겠고요. 그다음이 지수평활법이라고 하는 방법이죠. 지수평활법 하는 거.03:55 : 지수평활법 같은 경우에는 최근 자료에 더 높은 가중치를 부여하는 방법이죠.04:01 : 말씀드렸다시피 내년의 값이 어떻게 되는지를 예측하려고 하면 올해께 제일 현실적으로 큰 영향을 미치지 않습니까.04:12 : 그래서 최근 자료에 좀 더 높은 가중치. 보통 가중치는 지수평활법에서는 알파라고 하는 지수평활계수를 쓸 거거든요. 지수평활계수.04:23 : 이거를 가지고 전체적으로 분석해서 조절을 해가면서 쓰실 텐데요. 이 지수평활법 같은 경우에는 모든 시계열 자료를 사용을 해서 평균을 구하며04:39 : 그런데 그 평균을 구할 때 될 수 있으면 오래된 관측값보다는 현재의 최근에 관측값에다가04:47 : 좀 더 큰 가중치를 주려고 하는 그런 방법이다. 라고 정리를 하시면 되겠습니다.04:57 : 그래서 이 알파를 줄 때는 더 예전 거에는 이 알파를 어떻게 준다. 좀 낮은 알파를 주게 되는 거고요. 그리고 최근 거에는05:06 : 좀 더 높은, 좀 더 큰 알파 값을 부여해서 전체적으로 분석을 진행하는 방법이라고 보시면 되겠고요. 자 여기 같은 경우에는 지수평활법에서05:22 : 지수평활계수. 알파 같은 경우에는 아까 큰 값을 주고, 작은 값을 쓰기도 한다고 말씀드렸는데 일반적으로 가장 많이 쓰는 거는05:33 : 알파 값을 0.05에서 0.3 정도를 가장 많이 씁니다. 그러니까 범위가 0에서 1까지거든요. 그래서 보통은 0.05에서 0.3을 많이 쓰기는 하는데요.05:45 : 만일에 불규칙 변동이 큰 시계열 같은 경우에 이 변동이 굉장히 심하게 나타나는 그런 시계열 자료인 경우에는05:54 : 그때는 이 평활지수 알파를 굉장히 작게 잡습니다. 반대로 불규칙 변동이 작은 그런 시계열 자료를 수집해서 분석에 쓴다고 하는 경우에는06:08 : 반대로 알파를 굉장히 큰 계수 값으로, 큰 값으로 이렇게 적용을 합니다.06:15 : 그래서 알파를 크게 쓰게 되면 아무래도 최근의 관측치에 붙는 가중치를 더 크게 주는 그런 효과가 나타나는 거고요.06:27 : 그리고 이 관측치를 그 계수를 작게 잡는 거는, 작게 쓰는 거는 최근보다는 과거로 갈수록 지수평활계수를 조금 이렇게 크게 주는 거죠.06:45 : 그러니까 어쨌든 알파를 가지고, 지수평활계수 알파를 가지고 조절해 가면서 지수평활법에서는 쓴다. 이렇게 정리하시면 좋겠습니다.07:00 : 그리고 지수평활법에서는 특히 여기 한번 보시면 단순지수평활법이 있고, 그다음에 이중지수평활법이 있다고 되어 있는데 어떤 경향이라든지07:09 : 추세가 존재하는 경우에는 이중지수평활법을 쓰고요. 이중지수라는 것은 단순평활지수를 두 번 연속 사용하는 걸 얘기를 하는 거고07:19 : 이 시계열 안에 이런 것들이 없는 경우 그러니까 주로 보면 시계열의 이런 게, 이런 변동이 없다는 얘기는 정상성을 가진 어떤 시계를 자료라는 얘기입니다.07:30 : 그런 경우에는 적절하게 알파만 조절해 가면서 단순지수평활법으로 필요한 미래의 관측값에 대한, 변수에 대해서 예측을 하시면 되겠습니다.20:00 :
00:05
1
2
3
검수 상태 : 불통 통과 불통 최종불통
lADsP 완전 정복l 자기회귀 모형 dDF2CDEH1lA
00:05 : 시계열 분석은 시계열 모형으로 시계열 자료를 다루는 분석 방법이라고 얘기할 수 있는데요.00:14 : P 시점 전의 자료가 현재 자료에 영향을 주는 특성을 자기 상관성이라고 얘기를 하거든요.00:26 : 자기 상관성, 자기회귀 모형이라고 하는 시계열 모형 중에서 자기회귀 모형이라고 하는 것은,00:36 : 자기 상관성을 시계열 모형으로 구성한 것을 이야기합니다.00:42 : 자기회귀 모형을 좀 더 간단하게 설명하면00:48 : 시간을 독립변수로 합니다. 시간 t, 시간을 독립변수로 하고 판매량을 종속변수로 하겠습니다.00:59 : 예를 들어 시간을 독립변수로 두고, 판매량을 종속변수로 간주하면, 두 변수 간의 관계를 설명할 수 있는 뭘 만들 수 있습니까.01:09 : 우리가 3절에서 독립변수가 종속변수에 어떻게 영향을 미치는지를 분석하기 위해서 썼던 회귀 모형식이 있었죠.01:20 : 일종의 회귀모형식이 만들어지는 겁니다. 선형 회귀식이 만들어지는 거죠.01:26 : 이렇게 구한 회귀식을 가지고 회귀식만 만들어져 있어도, 미래의 일정한 시점, 내년 8월이다라고 하면,01:37 : 내년 8월에 x 변수를 주게 되면, 그 시점에 발생할 수 있는 예측값에 해당하는 y 값, 종속 변숫값을 얻을 수 있지 않습니까.01:49 : 자기 상관성을 가진 것처럼, 자기회귀 모형을 무엇으로 여러분들이 비슷하게 다룰 것이냐면,01:57 : 그림에서, 식에서 보실 수 있는 것처럼02:01 : 일종의 다중 회귀식처럼 만들어지는 겁니다.02:08 : 자기상관함수라는 것 ACF라고 하는 자기상관함수라고 하는 게 나오거든요.02:15 : autoregressive model에서 function이라고 쓰면 ACF가 될 텐데, 이 자기상관함수는 시간의 흐름에 따라 굉장히 빠르게 감소할 겁니다.02:33 : 그런데 부분자기함수라는 게 있습니다. 이건 어느 시점에 절단점을 가지는데,02:40 : 특징적으로 보면 값들이 쭉 나타나다가 갑자기 끊어진다는 얘기입니다.02:47 : 이걸 절단된다고 얘기를 하거든요. 그래서 그런 특징을 지금 가지고 있습니다.02:51 : 나중에 자기상관함수와 부분자기함수 가지고, 과거 어느 시점까지 자료가03:02 : 현재 자료에 영향을 미치는 시계열 자료인지, 어느 시점까지의 자료가 현재에 영향을 미치는지를 파악하려고 할 때03:11 : 자기상관함수와 부분자기함숫값을 여러분들이 이용하시게 될 겁니다.03:18 : 자기회귀 모형을 가지고 일종의 회귀식처럼 만들어지는 회귀식처럼 쓰실 수 있는 자기회귀 모형을 한번 만들어 보도록 하겠습니다.03:34 : Zt는 회귀분석에서 종속변수라고 생각하시면 돼요. 이퀄(=)03:43 : 여기에 나와 있는 이 q1이라고 하는 게 모수거든요03:49 : P 시점이 현재 어느 정도 영향을 나타내는지를 보여주는 모수라고 했죠03:57 : 뭐하고 비슷하냐면 Beta 1 하고 비슷한 겁니다. 1이 있으니까 Beta 1입니다.04:05 : Zt-1이라고 되어 있는 거 보세요. 이게 시계열 자룟값인데 현재가 t 시점이잖아요.04:13 : t 시점보다 하나 마이너스시키라는 거니까, 바로 직전, 현재보다 한 단계 전을 얘기하는 겁니다.04:23 : 여기에 있는 한 단계 전이라고 하는 게 예를 들어 x1이라고 가정을 하면 회귀식에 썼던 x1 변수의04:34 : y 위치는 그 크기 영향 정도를 갖다가 우리가 회귀 계수라고 썼잖습니까.04:42 : Beta 1 곱하기 x1, 이게 바로 현재를 기준으로 했을 때, 직전에 영향을 미칠 수 있는 크기가 여기에 나와 있는 겁니다.04:54 : 다음에 보십시오. 이번에는 어느 시점에요. 그것보다도 1년 더 전이죠.05:02 : 이게 현재, 이게 바로 직전, 이게 2차수라고 얘기하는 직전 직전을 얘기를 하는 겁니다.05:09 : 이게 올해라고 가정을 할게, 이게 올해라고 하면 이건 작년이고 이거는 재작년의 얘기가 되겠죠. 같은 패턴이죠.05:17 : 그래서 회귀모형이었다고 한다면 Beta 2가 될 것이고05:22 : Beta 2에 해당하는 x2 이렇게 되는 겁니다. 그래서 몇 년 전 값까지를 쓰느냐에 따라 이렇게 시계열 자료들이 만들어지는데, 어디에 영향을 주는 거예요.05:39 : 현재의 시계열 자료에 영향을 준다라고 하는 것이 바로 자기회귀 모형을 구성하는 방법입니다.05:46 : 그리고 맨 뒤, t 시점에 알파라고 되어 있는게 말씀드렸던05:53 : white noise에 해당하는 시계열 분석에서 오차항에 해당한다는 얘기했는데요.05:59 : 회귀분석에서도 실측치하고 실제값하고 예측한거의 차이를 나타내는 게 에러. 오차를 나타내는, 잔차와 오차를 나타내는 부분이 있었죠.06:10 : 다중회귀 모형처럼 시계열 모형도 만들어졌기 때문에 오차항이 존재를 하는 겁니다.06:20 : 우리가 일일이 하나씩 매칭을 시켜보니까 시계열 모형 자체가06:27 : 특히 자기회귀 모형 같은 경우에 다중회귀 모형하고 비슷하게 생겼습니다.06:34 : 그런데 뭐가 다르냐면 차수를 나타내는 t-1, t-2다06:38 : 이것만 예측 변수를 나타낼 때 독립변수 x2 이렇게 썼는데,06:45 : 여기에다가 t-1 이런 식으로 쓰는 요것만 차이가 있을 뿐이지 전반적으로 다중 회귀 모형과 그 패턴이 구성이 비슷하다고 보시면 되고요.06:58 : 자기회귀 모형은 Autoregressive model이라고 했는데07:05 : 줄여서 그냥 AR 모형이라고 얘기하거든요07:07 : AR 모형 중에서 AR1 모형이라고 하는 거는07:11 : 현재 시점에 자료와 바로 직전, 현재 자료와 바로 직전 시점에 자료만 가지고07:23 : 시계열 모형을 만들면 그건 AR1이 되는 겁니다. 그리고 AR2 보세요.07:29 : 이거는 하나를 더 썼다는 의미가 되는 거니까 현재 자료와 바로 직전에 자료와 더 직전의 자료 이렇게 3개의 연결되어 있는07:46 : 시간적으로 연결되어 있는 3개를 가지고 모형을 만들 때 바로 AR2라고 얘기를 하는 겁니다.08:00 : 시점별로 자료들이 현재에 영향을 미칠 수밖에 없는데 몇 회까지, 몇 회전까지의 자료가08:10 : 현재 자료에 크게 영향을 미치는지를 파악하려고 할 때 우리는08:14 : ACF와 PACF를 이용해서 판단을 하게 될 겁니다. 그게 바로 자기회귀 모형에 대한 얘기들입니다.20:00 :
00:05
1
2
3
검수 상태 : 불통 통과 불통 최종불통
lADsP 완전 정복l 이동평균 모형 / ARIMA 모형 f73jb2sJe08
00:05 : 다음 시계열 모형은 이동평균 모형입니다.00:09 : Moving Average model을 줄여서 MA모델이라고 얘기하고요.00:15 : 이동평균 모형이라고 하는 건, 시간이 지날수록 관측치에 평균값이 지속적으로 증가를 하거나00:27 : 지속적으로 감소하는 경향을 표현한 시계열 모형을 이동평균 모형이라고 얘기하는 겁니다.00:36 : 보시면 아시겠지만 유한한 개수의 백색잡음의 결합으로 이동평균 모형을 구성하는 겁니다.00:48 : 이게 현재 시점의 자료잖아요. 현재 시점의 시계열 자료예요.00:53 : 어떤 식으로 식을 구성하고 있는지 보십시오.00:57 : 우리가 했었던 "파이"값이 아니라 "알파"값이 들어와 있어요.01:03 : 알파"값이 뭐였는지 기억하십니까. 화이트노이즈였잖아요.01:09 : 그래서 화이트노이즈, "알파1"이라고 하는 건 이거(현재시점)하고 같은 시점이에요.01:19 : 현재 시점의 시계열자료에 오차항이 들어가는 겁니다. 지금 같은 시점에 백색 잡음이 결합되는 거고요.01:37 : 이번에는 "세타1"이 들어가죠. 그 뒤에 있는 거 보세요. 이것도 백색잡음이잖아요.01:46 : 알파"가 들어가는데, 지금보다 한 시점 전에 거. 이렇게 구성이 되는 겁니다01:53 : 그리고 2차수 전의 시점. 이것도 백색잡음이죠.02:00 : 그래서 이동평균법은 기본적인 모형의 구성 식을 보시면,02:07 : 현재의 시계열 자료의 값을 얘기할 때, 일종의 백색 잡음이라고 하는 각 차수의 이런 오차항들을 가지고 식을 구성되는 것이 이동 평균 모형이라고 보시면 됩니다.02:27 : 그중에서 1차 이동평균 모형은 MA1 모형이라고 얘기하는데요.02:32 : MA1 모형 같은 경우에는 이동평균 모형 중에서 가장 간단한 모델이라고 되어있는데,02:38 : 시계열이 같은 시점의 백색잡음과 바로 직전 시점에 백색 잡음의 결합으로 이루어진 모양이라고 되어있죠.02:45 : 이게 현재 시점의 시계열자료. 그런데 거기에 어떤 오차항 들어있어요.02:50 : 지금 같은 시점에 오차항, 백색잡음 들어와 있고. 바로 이거는 직전 시점이죠.02:57 : 그래서 현재 시점 직전 시점에 백색 잡음의 결합으로만 만들어져 있는 모형을 MA1이라고 얘기하는 겁니다 .03:07 : 이번에는 MA2, 2차 이동평균 모형 같은 경우에는,03:12 : 보시는 것처럼 현재. 현재의 백색 잡음을 나타내는 것. 바로 직전. 2차수 전의 것, 시차가 두 개나 벌어지는.03:25 : 그래서 2차수까지. 이렇게 백색잡음들 가지고 구성한 모형을 MA2라 얘기하는 겁니다.03:38 : 오차를 가지고 만들었기 때문에 자기회귀모형과는 다른 그래프적 모습을 보일 거예요 .03:48 : 그래서 ACF에서는 지속적으로 빨리 감소되는 모양을 보였다면,03:58 : PAFC에서는 갑자기 올랐다가 툭 끊어지는, 그걸 찾아냈다고 한다면 여기서는 정반대로 나타날 겁니다.04:08 : 그래서 ACF에서 어떤 모양으로 나타나고 이렇게. 절대적으로 잘라지는 어떤 절대점을 찾으면 되는 거고,04:15 : 반면에 PAFC 같은 경우에는 지수적으로 급속하게 감소하는 걸 시각적으로 보실 수 있을 겁니다.04:28 : 또 다른 시계열 모형을 ARIMA. 이렇게 부르는데요.04:31 : ARIMA(p, d, q) 모형이라고 얘기하는데, 자기회귀. integrated, 누적. moving average, 이동평균 모델입니다. 길죠.04:45 : 첫 글자만 따서 ARIMA 이렇게 부르는데요, 자기 회귀 누적 이동 평균 모형이라고 얘기합니다.04:55 : ARIMA모형같은 경우에는, 기본적으로 비정상시계열 모형입니다.05:00 : ARIMA안에는 추세도 들어가고, 패턴도 있고. 이렇게 정상성이라고 하는 것을 벗어난. 시간에 따라서 반복적인 특성을 보이는 패턴, 추세, 주기 이런 것들이 들어가 있는 상태의 모형이에요.05:19 : 그런데 정상성이 보장 안 돼 있는 상황이기 때문에, 일정한 평균을 만들어주는 차분을 하거나 분산으로 비슷하게 만들어주는 변환 과정을 거쳐야 된다는 거죠.05:37 : 이 과정을 거치게 되면 AR 모형이나 MA모형. 자기상관모형이 되거나 아니면 이동평균 모형이 되거나 또는 이 둘을 합친 ARMA라는 모형이 만들어집니다.05:52 : 이 모형들은 차분이나 변환을 통해서 만들어진 거기 때문에 정상성이 포함된 시계열 자료다라고 보시면 될 겁니다.06:04 : 그런 자료를 가지기 위해서 만들어진 모형이고요.06:08 : 이 모형도 보시면 현재 시점의 시계열 자료. 그리고 여기에는 베타의 역할을 하는 파이가 들어와 있으니까 이거는 회귀와 비슷한 자기상관모형에 해당하는 거구나.06:27 : 이게 직전. 그리고 그 직전. 이런 식으로 쭉 되고요. 그다음에 여기 보세요.06:33 : ARMA로 구성돼 있다고 했잖아요.06:37 : 이젠 오차항들이 들어가는 겁니다. 지금의 오차항에, 직전 시점의 오차항에, 두 번씩 2차수 전에. 2년 전에, 오차항에.06:48 : 이렇게 길게 만들어진 현재의 자룟값이 구성돼서 시계열 자료가 만들어졌다는 뜻이에요.06:58 : 이게 ARIMA 모양에서의 현재 시계열 자료의 값이라고 볼 수 있고요.07:07 : 식에서 보시면은 p도 보이고 그리고 q라고 하는 아래 첨자들 보이는데요.07:16 : p는 특정 시점을 나타내고 있는 AR 자기상관모형하고 관계가 있고요,07:23 : q 같은 경우에도 MA 이동평균과 관련 있는 차수의 시점을 나타내는 통계량들이라고 보시면 될 겁니다.07:37 : 시계열 Zt. 현재란 뜻이었죠. 현재의 시계열 자료를 d번 차분한 시계열이 바로 ARMA(p, d) 모형이라면,07:47 : 시계열 Zt는 차수가 p, d, q인 ARIMA 모형이다라고 읽으시는 겁니다. ARIMA 모형을 갖는다. 라고 얘기하는 거죠.08:00 : 그래서 몇 번 차분을 한 거냐에 따라서 ARIMA 모형은 이게 조금 달라지겠죠. 이게. 이렇게 정의를 내리는 거고요08:12 : 만일에 이 모형에서 뭐가 없다면. d 값이 제로가 돼버리면 뭐만 남나요.08:17 : ARIMA에서 ARMA가 되겠죠. 얘가 빠지고 이런 모형이 되는 거고요.08:22 : 이 모형 같은 경우에는 차분이나 변화를 통해서 구성한 거기 때문에 이 모형은 이제 정상성을 만족하게 되는 겁니다.08:35 : 반면에 차수를 나타내는, AR 모형에서 차수를 나타내는, 이 차수 값이 제로가 되면 아까 이 식에서 뭐가 빠지는 거예요. 얘 빠진다는 뜻이잖아요.08:47 : 그럼 d하고 q로만 만들어진 모형이 만들어지게 되는 거고요.08:53 : 이 모형에서 한 번 더 d번 차분을 하면 이것만 이제 딱 남게 되겠죠.09:00 : 반면에 q. 이것도 MA라고 하는 이동평균 모형에서의 차수를 나타내는 이 기호를 썼는데,09:10 : 만일에 이 값이 제로. 이 지표가 제로라고 한다면 이번에는 ARI만 남는 거거든요. 그래서 ARI 모형이라고 얘기를 하고,09:20 : d번 차분한 시계열이 바로 이 모형을 따른다는 겁니다.09:27 : 이게 없으면 뭐하고 같아진다. p하고 d로만 구성되는 자기상관 모형을 가진 시계열 자료가 되는 거고,09:39 : 이거 같은 경우에 아까 말씀드린 것처럼 이동평균 모형만 일정 차수열. 이런 평균 모형만 따르겠다 이렇게 정리가 되는 겁니다.09:50 : 그래서 쉽지 않은 얘기들이지만, 어쨌든 자기회귀누적이동평균 모형이라고 하는 거는09:58 : 기본적으로 여기에서 어떤 식으로 값을 주느냐에 따라서.10:03 : 하지만 기본적인 비정상성인 이 ARIMA 모형도 차분이나 변환이라고 하는 과정을 통하면 정상화되는.10:16 : 하지만 그 정상화에서는 더 이상 ARIMA 모형이 아니라 ARMA 모형으로 어느 시점에서도 이 값은 비슷한 값이 나온다라고 얘기할 수 있는,10:32 : 그러니까 시간에 크게 의존하지 않는다고 하는 측면에서10:36 : 이것도 시계열 자료 분석에서 우리가 조금 모형으로 한번 살펴보실 필요가 있는 부분들이죠.20:00 :
04:28
1
2
3
검수 상태 : 불통 통과 불통 최종불통
키워드 :
영상UID :
시작 시간 :
종료 시간 :
우선순위 : 추가