디지털 라이브러리[ 검색결과 ]
풀업(Pull-up) 기동을 고려한 Diffusion 기반 비행체 궤적 예측 생성 모델
http://doi.org/10.5626/JOK.2025.52.3.241
본 논문은 비행체의 풀업(pull-up) 기동을 고려한 비선형 궤적 예측을 목표로 하여, 시계열 다변량 데이터를 처리하는 새로운 모델을 제안한다. 이를 위해 최신 생성형 인공지능 모델인 CSDI (Conditional Score-based Diffusion Models for Imputation)를 기반으로 비행체의 궤적을 예측하였다. 특히 풀업 기동 여부에 따라 비행체의 항행 거리와 모양이 크게 달라지므로, 풀업이 있는 데이터와 풀업이 없는 데이터를 분리하여 각각의 모델을 학습하고 예측하였다. 실험 결과, 모델이 실제 궤적과 매우 유사한 궤적으로 예측하였으며 MAE, RMSE, CRPS 지표에서 기존 딥러닝 모델보다 높은 성능을 기록하였다. 본 연구는 비행체 궤적 예측의 정확성을 높였을 뿐만 아니라, 향후 Classifier Diffusion 모델과의 결합을 통해 더 정교한 예측을 가능하게 할 수 있음을 제시한다.
장단기 시간 패턴 학습을 통한 그래프 신경망 기반의 태양광 발전량 예측 기법
http://doi.org/10.5626/JOK.2024.51.8.690
최근 태양광 에너지의 활용이 크게 보편화되면서, 태양광 에너지의 효율 향상을 위한 태양광 발전량 예측 연구가 활발히 진행되고 있다. 이와 관련하여, 기존의 심층 학습 모델을 넘어 그래프 신경망 기반의 태양광 발전량 예측 모델들이 제시되었다. 이 모델들은 특정 지역의 태양광 발전량이 인접 지역의 기후 조건에 영향을 받는 공간적 상호작용과 태양광 발전량의 시간 패턴을 함께 고려하는 지역 간 상관관 계를 학습함으로써 예측 정확도를 개선한다. 하지만, 기존 모델들은 주로 고정된 형태의 그래프 구조에 의 존하여, 시간적 및 공간적 상호작용을 반영하기 어려운 한계가 있다. 이에, 본 논문은 지역별 태양광 발전 량 데이터의 장기 및 단기적 시간 패턴을 고려하고, 이를 지역 간 상관관계의 학습에 반영하는 그래프 신 경망 기반의 태양광 발전량 예측 기법을 제안한다. 제안 기법은 타 그래프 신경망 기반 예측 모델과 비교 하여 RRSE 기준 최대 7.49%의 성능 개선을 달성하여 그 우수성을 입증하였다.
패칭을 이용한 GRU 기반의 시계열 예측 방법
http://doi.org/10.5626/JOK.2024.51.7.663
시계열 예측은 기업, 현장에서 의사결정의 보조자 역할로 활용되어 매우 중요하다. 최근 트랜 스포머 구조의 patch time series Transformer(PatchTST)와 MLP 구조의 Long-term time series forecasting Linear(LTSF-Linear)가 시계열 예측에서 좋은 성능을 보여주었다. 하지만 PatchTST는 학습 및 추론시간이 오래 걸리고, LTSF-Linear는 구조의 단순함 때문에 훈련 데이터가 가지고 있는 정보를 제 한적으로 학습한다는 문제점이 있다. 이를 보완하기 위해 패칭된 데이터에 Gated Recurrent Unit(GRU)를 사용하여 학습시간 감소와 시계열 데이터에서 학습할 수 있는 정보를 담아낼 수 있는 patch time series GRU(PatchTSG)를 제안한다. PatchTSG는 PatchTST 대비 학습시간을 최대 82%, 추론시간을 최대 46%까지 감소시킨다.
적대적 훈련 기반의 시계열 데이터 증강 기법
http://doi.org/10.5626/JOK.2023.50.8.671
최근 시계열 데이터는 사물인터넷(IoT)의 발전으로 인해 다양한 산업에서 생성되고 있으며 이에 따라 각 산업에서의 시계열 예측 수요가 늘어나고 있다. 대량의 시계열 데이터가 확보됨에 따라 시계열 예측을 위한 전통적인 통계적 방법들 뿐 아니라 딥러닝에 기반한 시계열 예측 연구가 활발해졌으며 딥러닝에 필수적인 데이터 증강 기법들 필요성 또한 대두되고 있다. 본 논문에서는 적대적 훈련을 기반으로 한 새로운 시계열 데이터 증강 기법을 제안한다. 제안된 방법은 기존의 적대적 훈련과는 다르게 적대적 훈련 반복 횟수에 대한 하이퍼파라미터 값을 고정하였으며 섭동의 세기를 블록 단위로 클리핑하여 학습에 활용하였다. 실험 결과 다양한 데이터셋에 대한 제안 기법의 일관된 성능 향상 효과를 확인할 수 있었다. 뿐만 아니라 기존 적대적 훈련과는 다르게 본 논문에서 제안하는 블록 단위 클리핑 및 하이퍼파라미터 값 고정의 필요성 또한 비교 실험을 통하여 검증하였다.
다변량 시계열 Boundary 예측 및 신뢰도 평가 기법 기반 LNG 운반선 메인 엔진 시스템의 조기 이상 탐지
http://doi.org/10.5626/JOK.2023.50.5.429
최근 해양 및 조선 산업 전반에서 선박의 비정상적인 동작을 탐지하고 원인과 결과를 해석하기 위한 연구가 활발하다. 본 연구에서는 대형 조선소에서 건조한 LNG 운반선에서 추출되는 다변량 시계열 센서 데이터를 활용하여 메인 엔진 시스템의 조기 이상 탐지를 수행한다. 이상 동작의 조기 예측을 위해서 현재 시점의 센서 데이터로 미래의 값을 예측하는 과정이 필요하며 이 과정에서 실제 미래값과 예측값의 차이인 예측 잔차(Prediction residual)가 발생한다. 발생한 잔차는 조기 이상 탐지 결과에 중대한 영향을 미치므로 이를 보상하는 과정이 필요하다. 본 연구진은 시계열 예측 모델의 예측 상한(Upper boundary) 혹은 예측 하한(Lower boundary)을 학습할 수 있는 새로운 손실함수를 제안한다. 제안하는 손실함수로 학습된 시계열 예측 모델은 시계열 예측 잔차를 보상하여 조기 이상 탐지 알고리즘의 성능을 향상시킨다. 또한, 제안하는 신뢰도 모델은 시계열 예측 잔차와 신뢰도 잔차의 유사성을 활용하여 예측값의 실시간 신뢰도를 평가한다. 본 연구에서 제안한 조기 이상 탐지 알고리즘의 적용 결과, 제안한 예측 상한을 학습한 예측 모델은 MSE 손실함수로 학습된 베이스라인 예측 모델이 출력 가능한 예측값의 상한을 출력하며 베이스라인 모델의 미래 예측값이 실제 미래값보다 낮아서 임계값 기반의 이상 판별자가 예측 판별하지 못한 이상 동작을 판별할 수 있게 하였다. 실험 결과, 중요 평가 도구인 Recall에서 베이스라인 모델의 성능 0.4001 대비 제안한 기법의 성능 0.9532로 성능이 향상되었다. 이는 실제 운항에서 발생하는 다양한 운항 스타일에 강인한 조기 이상 탐지를 할 수 있다는 것을 의미한다.
연속적인 시계열 예측을 위한 디노이징 다변량 시계열 모델링
http://doi.org/10.5626/JOK.2021.48.8.892
시계열 예측 연구 분야는 시계열 내의 주기성을 통해 미래의 시점을 예측하는 연구이다. 산업 환경에서는 미래의 연속적인 시점 예측을 통한 의사 결정이 중요하기 때문에 시계열의 연속 예측이 필요하다. 하지만 연속 예측은 이전 시차의 예측 값에 종속적이어서 불안정성이 높기 때문에 전통적인 시계열 예측은 한 시점에 대한 통계적 예측을 한다. 이를 해결하기 위해 본 연구에서는 다변량 시계열에 대해 연속적인 시점을 예측하는 인코더-디코더 기반의 ‘DTSNet’을 제안한다. DTSNet은 안정적인 예측을 위해 위치 인코딩을 적용한 표현형을 사용하고, 새로운 디노이징 훈련법을 제안한다. 또한, 장기 의존성을 해결하고 복잡한 주기성을 모델링하기 위해 이중 주의 기제 기법을 제안하고, 변수 별 특화 모델링을 위해 멀티 헤드 신경망을 사용한다. 본 모형의 성능 향상을 검증하기 위해 베이스라인 모형들과 비교 분석하고, 구성 요소 및 디노이징 강도 실험 등의 비교 실험을 통해 제안하는 방법론을 입증한다.
모바일 결제 시스템의 수요 예측을 위한 신경망에서 특징 선별 기법
http://doi.org/10.5626/JOK.2018.45.4.370
본 논문에서는 모바일 결제시스템의 서비스 수요예측을 위한 방법론으로서 신경망 기반의 시계열예측 기법을 제시한다. 예측에 필요한 특징 선별과정과 시계열 데이터의 예측과정을 위하여 2단계 신경망 모델을 제안하며 그 동작 특성과 알고리즘에 관해 기술한다. 특징 데이터의 표현을 위하여 3종류의 퍼지 멤버쉽함수를 적용하며, 하이퍼박스 기반의 신경망 모델을 사용하여 특징의 연관도 요소를 평가하는 방법을 제시한다. 제안된 특징 선별 기법은 예측 시스템의 계산량을 감소시키며, 학습데이터 집합에서 왜곡된 특징 데이터를 제거할 수 있게 한다. 실제 스마트캠퍼스 시스템에서 취득한 2년간의 데이터를 사용하여 실험을 수행하고 그 결과를 통하여 제안된 기법의 유용성을 평가한다.
인기 검색어의 순위 변화 예측
http://doi.org/10.5626/JOK.2017.44.8.782
인기 검색어 리스트는 현재 가장 인기 있는 검색어의 순위를 보여주는 서비스로서 네이버와 같은 포털사이트가 제공한다. 이 리스트에서의 순위 변화는 특정 검색어에 대한 사람들의 관심의 변화를 반영한다. 본 논문은 인기 검색어의 순위 변화를 예측하기 위해 시계열 모델링 프레임워크를 제안한다. 제안한 프레임워크는 과거 순위와 기계학습 모델이 적용되었고, 여기서 해결해야 할 두 가지 문제점이 있다. 첫째, 과거 순위 데이터를 분석한 결과, 70% 이상의 검색어가 리스트에서 소멸 후 재출현하는 현상을 보였다. 소멸 후의 순위는 손실 값으로 볼 수 있으며, 이를 해결하기 위해서 다양한 처리 방법을 적용하였다. 둘째, 과거 순위 데이터는 시계열 데이터이므로 최적 윈도우 크기를 계산하는 것이 중요하다. 본 논문에서는 최적 윈도우 크기는 동일한 검색어들이 서로 다른 두 시점에서 내용상 의미가 달라지는 최단 소멸기간으로 볼 수 있음을 밝혔다. 성능 평가를 위해서 4가지의 기계학습 기법과 2년 동안 수집한 네이버, 다음, 네이트의 인기 검색어 리스트 데이터를 사용하였다.
