수요예측을 위한 시계열 데이터 이미지화 기반 딥러닝 모델

Abstract

시계열(Time Series)은 시간의 흐름에 따라 기록한 데이터다. 시계열을 분석하면 데이터의 변동 원인을 규명하고, 미래를 예측할 수 있기 때문에 현실에서 발생한 문제를 해결하기 위해 시계열 데이터 분석을 접목한 연구가 활발히 진행 중이다. 특히, 제조업 분야에서는 수요량을 예측하여 고객의 요구를 충족하고 운영 비용을 최소화하기 위해 노력하고 있다. 본 논문은 실제 산업 현장의 데이터를 시계열 분류 문제에 직접 적용한 후 제안한 모델의 효용성을 확인하는 것을 목적으로 한다. 시계열 분석 방법은 통계적 기법부터 RNN(Recurrent Neural Network), LSTM(Long Short Term Memory)과 같은 딥러닝 모델 등 다양한 방법이 제안되었다. 하지만 실제 현장에서 사용하는 데이터는 서로 다른 특징과 예측 불가능한 요인들이 내포되어 있기 때문에 기존의 기법으로는 정확성이 떨어지는 문제가 발생한다. 본 연구에서는 이러한 문제를 해결하기 위해 데이터의 고유한 특성을 고려한 전처리 방법과 최적의 특징(Feature) 선택 기법을 제안한다. 이를 위해 ARIMA(Autoregressive Integrated Moving Average)를 활용하여 데이터를 통계적으로 분석하여 주기를 확인하고 시간 변동성을 고려한 전처리 과정을 수행했다. 그 후, GAF(Gramian Angular Field) 이미징(Imaging) 기법으로 데이터의 특징을 시각적으로 추출하고 분류 정확성을 높였다. 분류 모델은 이미지 분류에서 뛰어난 성능을 보이는 CNN(Convolutional Neural Network)을 선택하여 데이터 셋에 따른 최적화된 분류 모델을 구현했다. 제안한 모델을 기존의 시계열 분류 모델과 성능을 비교한 결과, 제안한 분류 모델의 정확성이 다른 모델에 비해 최대 8.235%만큼 우세했다. 이를 통해 제안한 시계열 분류 모델의 효용성을 검증할 수 있었으며 실제 제조환경의 수요 예측 문제 해결 및 적용 가능성을 확인하였다. |Research that combines time-series data analysis is actively underway to solve real-world problems. Time series is data recorded over time. Analyzing the time series can identify the cause of data fluctuations and predict the future. In particular, the manufacturing industry is striving to meet the needs of customers and minimize operating costs by forecasting demand. The purpose of this paper is to verify the effectiveness by applying data generated in real industrial sites to the time series classification problem. Various methods have been proposed for time series analysis, from statistical ARIMA to deep learning such as LSTM. However, data generated in the real world contain different features and unpredictable factors. This is why a preprocessing method considering the unique characteristics of data and an optimal feature selection technique are required. In this paper, to solve this problem, data are statistically analyzed and converted by ARIMA. After that, a GAF-based imaging algorithm is applied to preprocess the time series data. As a result, it is possible to increase the classification accuracy and visually extract the features of the data. In order to optimize the classification model according to the dataset, CNN deep learning algorithm, which shows excellent performance in imaging classification, is used. As a result of comparing the performance of the proposed model with existing time series classification models, the accuracy of the proposed classification model was superior to other models by up to 8.235%. Through this, the effectiveness of the proposed time series classification model could be verified, and the problem of demand forecasting in the actual manufacturing environment was solved and the applicability was confirmed.