디지털 라이브러리[ 검색결과 ]
콘볼루션 신경망을 이용한 센서 데이터로부터의 행동 유형 파악과 효과적인 센서 데이터 압축
http://doi.org/10.5626/JOK.2018.45.6.564
건물 내 IoT 시스템을 이용한 재실자의 수 및 행동 유형 파악은 스마트 냉/난방 시스템 등에 사용되어 전력 효율을 개선시키고 비용 절감에 도움되는 중요한 문제이다. 실제 건물 관리 시스템에서는 카메라 등의 장비를 이용하여 방 안의 현황을 파악하고 재실자의 수와 행동 유형을 직접 파악하는 방법 등이 사용되고 있다. 이 방법으로 사람 수와 행동 유형을 파악하는 것은 비효율적일뿐만 아니라 데이터를 위한 방대한 저장 공간이 필요하다. 본 연구에서는 적외선 그리드 아이 센서와 소음 센서를 이용하여 실내 센서 데이터를 수집하였다. 또한 이 데이터를 토대로 재실자 수와 행동 유형을 파악하는 딥러닝 모델과 데이터의 시간적 특성을 고려하는 딥러닝 모델을 제안한다. 제안하는 모델은 약 95.3%의 정확도로 사람 수를 파악하고 90.9%의 정확도로 사람 행동 유형을 파악한다. 또한 Truncated SVD를 이용하여 정확도의 손실을 최소화하면서 저장 공간을 줄이는 방법을 제안한다.
생활 패턴 인지를 위한 이벤트 연산 기반 예측 모델 학습 기법
http://doi.org/10.5626/JOK.2018.45.5.466
기계 학습 알고리즘의 발전에 따라 다양한 영역의 데이터에 대한 분석 및 결과를 예측하는 연구들이 진행되고 있다. 그러나 기존의 데이터 의존적인 기계 학습 기반의 의도 인지 방법론은 노이즈 처리에 대한 어려움이 존재하고, 복합적으로 발생할 수 있는 행위 의도에 대한 인지에서 한계점을 가진다. 본 한계점을 극복하기 위해 본 논문에서는 이벤트 연산(Event Calculus)을 기반으로 3단계의 행위 의도인지 방법론을 제안한다. 첫 번째 단계는 시퀀스 데이터가 어떤 의도인지를 판별하는 의도 추론 단계이다. 두 번째 단계는 새롭게 추론된 행위 의도를 기반으로 이전부터 유지됐던 행위 의도와의 병행 가능 여부를 판단하는 충돌 해결(Conflict Resolution) 단계이다. 마지막으로 많은 노이즈로 인해 발생되는 오류를 추론된 행위 의도들에 반영하는 노이즈 감소(Noise Reduction) 단계로 진행된다. 이벤트 연산 기법에 대한 성능 평가를 위해 실제 수집한 데이터를 재구축한 혼합 가우시안 모델과 휴리스틱 규칙 기반의 범용 데이터 생성 기법을 제안한다. 5개의 의도로 이루어진 약 13시간의 시퀀스 데이터 300개를 사용하여 이벤트 연산의 성능을 측정하였고, 각 의도에 대해 이벤트 연산의 예측 결과와 실제 확률 모델이 평균 89.3%의 일치
도를 보였다.
순환신경망 기반의 사용자 의도 예측 모델
http://doi.org/10.5626/JOK.2018.45.4.360
기계 학습 모델 구축을 통한 인간의 의도 예측은 기존에도 제공되어 왔으나, 특정 행위가 발생하는 시점으로부터 먼 과거의 정보를 반영한 의도 예측이 어렵다는 단점이 존재했다. 이 문제점의 극복을 위해, 본 논문에서는 순환 신경망(RNN – Recurrent Neural Network) 기반의 행위 의도 예측 모델 학습 기법을 제안한다. 순환 신경망 모델은 시계열(Time-Series) 데이터의 패턴을 분석하여 과거의 시점이 반영된 예측 결과를 생성한다. 본 논문이 제안하는 순환 신경망 기반의 의도 예측 모델은 시간, 공간, 행위, 물체, 의도로 구성된 생활 데이터 시퀀스를 바탕으로 사용자의 의도를 예측할 수 있도록 학습된다. 순환 신경망의 각 노드는 의도 예측 모델이 먼 과거의 데이터 시퀀스를 고려하여 의도를 예측 할 수 있도록 LSTM(Long-Short Term Memory) Cell로 구성하였다. 순환 신경망 기반의 의도 예측 모델의 성능 평가를 위해, 본 논문에서는 행위 의도에 대한 가중치 그래프 기반 데이터 생성기를 구축하여 실제 실내에서 발생하는 인간 활동에 가까운 데이터를 자동으로 생성하여 실험에 사용했다. 총 23,000개의 데이터가 의도 모델 학습과 검증에 사용되었으며, 학습된 모델의 의도 예측 정확도 측정 실험을 한 결과로 평균 90.52%의 예측 정확도를 보였다.
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.
페이지랭크를 이용한 암환자의 이질적인 예후 유전자 식별 및 예후 예측
http://doi.org/10.5626/JOK.2018.45.1.61
암환자의 예후 예측에 기여하는 유전자를 찾는 것은 환자에게 보다 적합한 치료를 제공하기 위한 도전 과제 중 하나이다. 예후 유전자를 찾기 위해 유전자 발현 데이터를 이용한 분류 모델 개발 연구가 많이 이루어지고 있다. 하지만 암의 이질성으로 인해 예후 예측의 정확도 향상에 한계가 있다는 문제가 있다. 본 논문에서는 유방암을 비롯한 6개의 암에 대한 암환자의 마이크로어레이 데이터와 생물학적 네트워크 데이터를 이용하여 페이지랭크 알고리즘을 통해 예후 유전자들을 식별하고, K-Nearest Neighbor 알고리즘을 사용하여 암 환자의 예후를 예측하는 모델을 제안한다. 그리고 페이지랭크를 사용하기 전에 K-Means 클러스터링으로 유전자 발현 패턴이 비슷한 샘플들을 나누어 이질성을 극복하고자 한다. 본 논문에서 제안한 방법은 기존의 유전자 바이오마커를 찾는 알고리즘보다 높은 예측 정확도를 보여주었으며, GO 검증을 통해 클러스터에 특이적인 생물학적 기능을 확인하였다.
소셜 데이터 기반 실시간 식자재 물가 예측 모형
http://doi.org/10.5626/JOK.2017.44.12.1258
신속하고 정확한 시장의 물가 파악은 소비자 개인을 넘어 정부와 관련 기업의 주요 관심 사항이다. 그러나 국가 단위의 물가 데이터 취합은 적지 않은 시간과 비용이 필요하다. 특히 통계 데이터 관련 인프라가 미약한 개발도상국의 경우 물가 지표 파악은 일 혹은 주 단위로 지연되어 국가의 정책 결정에 필요한 주요한 데이터의 부재가 있을 뿐만 아니라 투자 잠재성을 저하시킨다. 이러한 배경에서 이 연구는 온라인 소셜 네트워크 빅데이터를 활용한 실시간 물가 예측(Nowcast) 모델을 제시한다. 제안하는 모델은 트위터와 같은 온라인 빅데이터를 수집 및 분석함으로써 주요 소비재 시장물가를 실시간으로 단기 예측하는 알고리즘으로, 실제 15개월간 인도네시아를 대상으로 주요 식자재의 일별 물가 추이 예측에서 높은 정확도를 보임을 검증하였다. 해당 모델은 다양한 언어와 상품군으로 확장 가능하며, 기존 경제 통계를 보조함으로써 시장동향의 파악으로 정부와 기업의 전략 수립에 기여할 것으로 기대된다.
모듈형 베이지안 네트워크 기반 대중 감성 예측 시스템
http://doi.org/10.5626/JOK.2017.44.11.1149
최근 통신 기술의 발달로 공간 내 환경 자극을 나타내는 다양한 센서 데이터 수집이 가능해졌다. 베이지안 네트워크는 추론 근거를 확률적으로 고려함으로써 센서 데이터의 불확실하고 불완전한 특성을 보완할 수 있다. 본 논문은 환경 자극의 심리적 영향력을 고려하여 설계된 모듈형 베이지안 네트워크기반 대중 감성 예측 시스템을 제안한다. 또한 단일 베이지안 네트워크를 모듈화하여 공간 내 환경 자극변동의 유연한 대응 및 효율적 추론을 수행하였다. 시스템의 성능 검증을 위해 유치원 공간에서 수집된 조도, 음량, 온도, 습도, 색 온도, 음향, 향기, 대중 감성 데이터를 기반으로 대중 감성을 예측하였다. 실험결과, 제안하는 방법의 예측 정확도는 85%로 여타 분류 기법보다 높은 성능을 나타내었다. 정량적, 정성적 분석을 통해 대중 감성 예측을 위한 확률 기반 방법론의 가능성 및 한계를 분석하였다.
Health State Clustering and Prediction Based on Bayesian HMM
http://doi.org/10.5626/JOK.2017.44.10.1026
본 논문은 계층적 디리슐레 과정(HDP)과 은닉 마르코프 모형(HMM)이 결합된 베이스 통계학적 방법과 HMM의 상태 지속 정보를 이용한 건강 상태 예측 방법을 제안한다. HDP-HMM은 베이스 방법의 HMM 확장 모형으로서 건강의 동적 특성을 고려하여 불확실하고 가늠하기조차도 어려운 건강 상태의 수를 추정할 수 있게 해준다. 모의 데이터와 실제 건건 검진 데이터를 이용한 시험을 통하여 흥미 있는 행동 특성을 볼 수 있었으며 최대 5년까지로 제한한 미래 예측도 충분한 가능함을 확인하였다. 미래는 불확실하며 예측 문제는 본질적으로 어렵다. 그러나 본 연구의 실험 결과로 동적인 문맥 하에서 다중 후보 가설을 제시함으로서 실용 가능한 건강상태의 장기 예측이 가능하다는 것을 읽을 수 있었다.
딥러닝과 통계 모델을 이용한 T-커머스 매출 예측
김인중, 나기현, 양소희, 장재민, 김윤종, 신원영, 김덕중
http://doi.org/10.5626/JOK.2017.44.8.803
T-커머스는 양방향 디지털 TV를 기반으로 양방향 데이터방송 기술을 활용하여 상거래를 하는 기술융합형 서비스이다. 채널 번호와 판매상품이 제한된 환경에서 T-커머스의 매출을 극대화 하기 위해서는 각 제품의 시간대별 경쟁력을 고려하여 매출이 최대화 되도록 프로그램을 편성해야 한다. 이를 위해, 본 논문에서는 딥러닝을 이용해 T-커머스에서 각 상품을 각 시간대에 편성하였을 때의 매출을 예측하는 방법을 제안한다. 제안하는 방법은 심층신경망을 이용해 판매 상품과 시간대, 주차, 휴일 여부, 그리고 날씨를 입력 받아 실제 방송으로 편성했을 때 기대되는 매출을 예측한다. 그리고, 통계적 모델과 SVD (Singular Value Decomposition)를 적용하여 판매 데이터의 편중 및 희박성 문제를 완화한다. 실제 T-커머스 운영자인 (주)더블유쇼핑의 판매 기록 데이터에 대하여 실험하였을 때 실제 매출과 예측치의 차이가 0.12의 NMAE(Normalized Mean Absolute Error)를 보여 제안하는 알고리즘이 효과적으로 동작함을 확인하였다. 제안된 시스템은 (주)더블유쇼핑의 T-커머스 시스템 적용되어 방송 편성에 활용되었다.
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.
