The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지
DOI QR코드

DOI QR Code

Comparative Analysis of Prediction Performance of Aperiodic Time Series Data using LSTM and Bi-LSTM

LSTM과 Bi-LSTM을 사용한 비주기성 시계열 데이터 예측 성능 비교 분석

  • 이주형 (배재대학교 모바일소프트웨어학과) ;
  • 홍준기 (배재대학교 컴퓨터공학과)
  • Received : 2022.12.02
  • Accepted : 2022.12.09
  • Published : 2022.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Since online shopping has become common, people can easily buy fashion goods anytime, anywhere. Therefore, consumers quickly respond to various environmental variables such as weather and sales prices. Therefore, utilizing big data for efficient inventory management has become very important in the fashion industry. In this paper, the changes in sales volume of fashion goods due to changes in temperature is analyzed via the proposed big data analysis algorithm by utilizing actual big data from Korean fashion company 'A'. According to the simulation results, it was confirmed that Bidirectional-LSTM(Bi-LSTM) compared to LSTM(Long Short-Term Memory) takes more simulation time about more than 50%, but the prediction accuracy of non-periodic time series data such as clothing product sales data is the same.

온라인 쇼핑의 대중화로 인해 많은 의류 상품이 온라인 쇼핑을 통해 소비된다. 의류 상품은 다른 상품과 달리 판매량이 일정하지 않고 날씨의 변화에 따라 판매량이 변화하는 특징이 있다. 따라서 의류 상품의 머신 러닝을 적용한 효율적인 재고 관리 시스템에 대한 연구는 매우 중요하다. 본 논문에서는 의류 업체 'A'로부터 실제 의류 상품 판매량 데이터를 수집하고 판매량 데이터와 같은 시계열 데이터의 예측에 많이 활용되는 LSTM(Long Short-Term Memory)과 Bidirectional-LSTM(Bi-LSTM)의 학습에 사용하여 LSTM과 Bi-LSTM의 판매량 예측 효율을 비교 분석하였다. 시뮬레이션 결과를 통해 LSTM 기술 대비 Bi-LSTM은 시뮬레이션 시간은 더 많이 소요되지만 의류 상품 판매량 데이터와 같은 비주기성 시계열 데이터의 예측 정확도가 동일하다는 것을 확인하였다.

Keywords

Acknowledgement

본 과제(결과물)는 2022년도 교육부의 재원으로 한국연구재단의 지원을 받아 수행된 지자체-대학 협력기반 지역혁신 사업의 결과입니다.(2021RIS-004)

References

  1. Ministry of Science and ICT(MSIT) and Korea Internet and Security Agency(KISA), 2018 Survey on the Internet Usage, 2019. 
  2. N. Liu, S. Ren, T.-M. Choi, C.-L. Hui, and S.-F. Ng, "Sales Forecasting for Fashion Retailing Service Industry: A Review," Mathematical Problems in Engineering, Vol. 2013, pp. 1-9, 2013. 
  3. A.L.D. Loureiroa, V.L. Migueisa, Lucas F.M. da Silva, "Exploring the use of deep neural networks for sales forecasting in fashion retail," Decision Support Systems, Vol. 114, pp. 81-93, 2018.  https://doi.org/10.1016/j.dss.2018.08.010
  4. E. Tarallo, G. K. Akabane, C. I. Shimabukuro, J. Mello, D. Amancio, "Machine Learning in Predicting Demand Fast-Moving Consumer Goods: An Exploratory Research," IFAC-PapersOnLine, Vol. 52, pp. 737-742, 2019.  https://doi.org/10.1016/j.ifacol.2019.11.203
  5. M. Xia, Y. Zhang, L. Weng, X. Ye, "Fashion retailing forecasting based on extreme learning machine with adaptive metrics of inputs, "Knowledge-Based Systems, Vol. 36, pp. 253-259, 2012.  https://doi.org/10.1016/j.knosys.2012.07.002
  6. C. Giri, Y. Chen, "Deep Learning for Demand Forecasting in the Fashion and Apparel Retail Industry, "forecasting, Vol. 4, pp. 565-581, 2022.  https://doi.org/10.3390/forecast4020031
  7. J. M. Chae, E. H. Kim, "Sales Forecasting Model for Apparel Products Using Machine Learning Technique," Fashion & Textile Research Journal, Vol. 23, pp. 480-490, 2021.  https://doi.org/10.5805/SFTI.2021.23.4.480
  8. S. Hochreiter, J. Schmidhuber, "Long Short-Term Memory," Neural Computation, Vol. 9, pp. 1735-1780, 1997.  https://doi.org/10.1162/neco.1997.9.8.1735
  9. M. Schuster, K. Paliwal, "Bidirectional recurrent neural networks," IEEE Transactions on Signal Processing, Vol. 45, pp. 2673-2681, 1997.  https://doi.org/10.1109/78.650093
  10. Y. Wu, J. Johnson, "Rethinking"Batch "in BatchNorm," arXiv, Vol. 1, 2021, arXiv: 2105.07576. 
  11. D. P. Kingma, J. Ba, "Adam: A Method for Stochastic Optimization," arXiv, Vol. 9, 2015, arXiv:1412.6980.