• 마이크로전자및패키징학회지
• /
• 제31권1호
• /
• pp.16-22
• /
• 2024

전기자동차와 신재생에너지에 관한 관심이 높아지면서 건설장비 산업분야에서도 리튬이온 배터리를 접목하려는 요구가 높아지고 있다. 건설중장비는 건설 현장의 다양한 작업으로 인해 전류 용량의 감소가 급속히 진행되기 때문에 SOC(State of Charge) 및 SOH(State of Health) 같은 배터리의 상태를 더욱 정확하게 추정할 필요가 있다. 본 논문에서는 SOC와 SOH를 동시에 추정이 가능한 적응제어 기법 기반 이중확장칼만필터(Dual Extended Kalman Filter, DEKF) 알고리즘을 이용하여 실제 측정데이터와의 오차를 비교하였다. 배터리 충전 상태 예측을 위해 배터리 셀을 완전 충전 후 0.2C-rate조건에서 SOC 5% 간격으로 OCV를 측정하였고, 배터리의 열화를 판단할 수 있는 건전성 지표 확보를 위해 다양한 C-rate(0.2, 0.3, 0.5, 1.0, 1.5C rate) 조건에서 50 Cycle 동안 노화 실험을 수행하였다. DEKF를 이용한 SOC 및 SOH 추정 오차는 C-rate이 커질수록 커지는 경향을 보였으며 특히 SOC 추정결과, 0.2, 0.5 및 1C-rate에서 6%이하로 나타남을 확인하였다. 또한 SOH 추정 결과는 0.2 와 0.3C-rate에서 각각 최대오차 1.0% 및 1.3% 이내로 좋은 성능을 보이는 것으로 확인하였다. 다만, C-rate가 0.5C-rate에서 1.5C-rate으로 증가함에 따라 추정오차도 1.5%에서 2%로 다소 증가하는 것을 확인할 수 있었으나, 모든 C-rate 조건에서 DEKF를 사용한 SOH의 추정 성능은 약 2% 이내인 것으로 나타났다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.77-110
• /
• 2017

최근 인터넷 기반의 웹 및 모바일 기기를 통한 소비 패턴의 다양화와 개성화가 급진전됨에 따라 전통적 유통채널인 오프라인 매장의 효율적 운영이 더욱 중요해졌다. 매장의 매출과 수익 모두를 제고하기 위해 매장은 소비자에게 가장 매력적인 상품을 적시에 공급-판매 해야 하는데 많은 상품들 중에서 어떤 SKU를 취급하는 것이 판매 확률을 높이고 재고 비용을 낮출 수 있는지에 대한 연구가 부족한 실정이다. 특히, 여러 지역에 걸쳐 다수의 오프라인 매장을 통해 상품을 판매하는 기업의 경우 고객에게 매력적인 적절한 SKU를 추천 받아 취급할 수 있다면 매장의 매출 및 수익률 제고에 도움이 될 것이다. 본 연구에서는 개인화 추천에 이용되어 왔던 협업 필터링과 하이브리드 필터링 등의 추천 시스템(Recommender System)을 국가별, 지역별로 복수의 판매 매장을 통해 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하였다. 각 매장의 취급 품목별 구매 데이터를 활용하여 각 매장 별 유사성(Similarity)을 계산하고 각 매장의 SKU별 판매 이력에 따라 협업 필터링을 하여 최종적으로 매장에 개별 SKU를 추천하였다. 또한 매장 프로파일 데이터를 활용하여 주변수 분석 (PCA : Principal Component Analysis) 및 군집 분석(Clustering)을 통하여 매장을 4개의 군집으로 분류한 뒤 각 군집 내에서 협업 필터링을 적용한 하이브리드 필터링 방식으로 추천 시스템을 구현하고 실제 판매 데이터를 바탕으로 두 방식의 성능을 측정하였다. 현존하는 대부분의 추천 시스템은 사용자에게 영화, 음악 등의 아이템을 추천하는 방식으로 연구가 진행되어 왔고 실제로 산업계에서의 적용 또한 개인화 추천 시스템이 주류를 이루고 있다. 그 동안 개인화 서비스 영역에서 주로 다루어져 왔던 이러한 추천 시스템을 동종 브랜드를 취급하는 유통 기업의 매장 단위에 적용하여 각 매장의 취급 SKU를 추천하는 방식에 대한 연구는 거의 이루어지지 않고 있는 실정이다. 기존 추천 방법론의 추천 적용 대상이 '개인의 영역이었다면 본 연구에서는 국가별, 지역별로 복수의 판매 매장을 통해 개인의 영역을 넘어 매장의 영역으로 확대하여 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하고 있다. 또한 기존의 추천시스템은 온라인에 한정되었다면 이를 오프라인으로 활용 범위를 넓히고, 기존 개인을 기반으로 분석을 하는 것보다 매장영역으로 확대 적용하기에 적합한 알고리즘을 개발하기 위해 데이터마이닝 기법을 적용하여 추천 방법을 제안한다. 본 연구의 결과가 갖는 의의는 개인화 추천 알고리즘을 동일 브랜드를 취급하는 복수의 판매 매장에 적용하여 의미 있는 결과를 도출하고 실제 기업을 대상으로 시스템으로 구축하여 활용할 수 있는 구체적 방법론을 제시했다는 데에 있다. 개인화 영역을 위주로 이루어졌던 기존의 추천 시스템과 관련한 학계의 연구 영역을 동종 브랜드를 취급하는 기업의 판매 매장으로 확장시킨 첫 시도라는 데에도 의미가 있다. 2014년 03주차 ~ 05주차 전(全) 매장 판매 수량 실적 Top 100개 SKU로 추천의 대상을 한정하여 협업 필터링과 하이브리드 필터링 방식으로 52개 매장 별로 취급 SKU를 추천하고, 추천 받은 SKU에 대한 2014년 06주차 매장별 판매 실적을 집계하여 두 추천 방식의 성과를 비교하였다. 두 추천 방식을 비교한 이유는 본 연구의 추천 방법이 기존 추천 방식 보다 높은 성과를 입증하기 위해 단순히 오프라인에 협업필터링을 적용한 것을 기준 모델로 정의하였다. 이 기준 모델에 오프라인 매장 관점의 특성을 잘 반영한 본 연구 모델인 하이브리드 필터링 방법과 비교 함으로써 성과를 입증한다. 연구에서 제안한 방식은 기존 추천 방식보다 높은 성과를 나타냈으며, 이는 국내 대기업 의류업체의 실제 판매데이터를 활용하여 입증하였다. 본 연구는 개인 수준의 추천시스템을 그룹수준으로 확장하여 효율적으로 접근하는 방법을 이론적인 프레임 워크를 만들었을 뿐 아니라 실제 데이터를 기반으로 분석하여 봄으로써 실제 기업들이 적용해 볼 수 있다는 점에서 연구의 가치가 크다.

• 대한교통학회지
• /
• 제29권5호
• /
• pp.121-138
• /
• 2011

최근 보다 경제적이고 쉽게 적용이 가능한 차량간 무선통신과 같은 첨단 기술들은 고비용의 교통시설과 미래의 교통수요에 대한 공간적 시스템 확장이 제한적인 고속도로에서 주로 시행되고 있는 중앙제어식 인프라기반 교통정보시스템의 가능한 대안으로 간주되고 있다. 본 논문은 차량간 무선통신을 이용한 분산식 첨단교통정보시스템을 개발하고 제안된 시스템의 효과 (운전자의 통행시간단축)를 향상시키는 세가지 보조기능(독립자동유고감지알고리즘, 실험차량 샘플 모델, 운전자행태 모델)을 소개하고자 한다. 그리고 전형적인 $6{\times}6$ 도시형 도로망에서 미시적 시뮤레이션모델(VISSIM)을 이용해서 세가지 중요한 패러미터(교통류, 무선통신 라디오 레인지, 통신차량의 보급율)에 따른 그 효과를 교통사고 시나리오에서 평가하고자 한다. 본 논문의 연구결과로는 세가지 시스템 패러미터가 증가함에 따라 보다 많은 무선통신 차량이 교통데이터 전송에 관련되었고 데이터전송 속도도 더 빨라짐을 보였다. 또한 통신차량들은 동적으로 현재의 교통상황 파악과 교통사고로 야기된 정체지역을 우회하는 최적의 경로를 탐색함으로써 운전자의 통행시간을 단축시키는 결과를 보였다. 교통사고로 인한 혼잡교통류 상황에 순간적으로 반응(통행시간 데이터베이스 갱신과 최적 경로 탐색)하는 차량들을 중심으로, 상대적으로 교통량이 적은 상황에서는 보다 시스템 효율적인 시간대에 운전자들이 경로를 변경하는 행태를 보인 반면에 교통량이 많은 상황에서는 많은 운전자들이 덜 효율적인 시간대, 예를 들면 교통사고가 해소된 후에도 경로를 변경하는 경우가 목격되었다. 따라서 차량당 평균통행시간단축은 교통수요와 밀접한 관계를 보였다. 그리고 실제 교통사고 시간 동안 교통사고의 직접적인 영향에 의해서 경로를 변경하는 통신차량들을 제외하면 도로망에 진입하는 차로에 있는 통신차량이 도로망내에 있는 다른 통신차량보다 통행시간이 짧은 것으로 나타났다. 또한 교통사고지점의 위치와 방향은 경로변경차량의 공간적인 분포를 결정하는 것으로 나타났다.

• 경영정보학연구
• /
• 제16권3호
• /
• pp.161-177
• /
• 2014

기업신용등급은 금융시장의 신뢰를 구축하고 거래를 활성화하는데 있어 매우 중요한 요소로서, 오래 전부터 학계에서는 보다 정확한 기업신용등급 예측을 가능케 하는 다양한 모형들을 연구해 왔다. 구체적으로 다중판별분석(Multiple Discriminant Analysis, MDA)이나 다항 로지스틱 회귀분석(multinomial logistic regression analysis, MLOGIT)과 같은 통계기법을 비롯해, 인공신경망(Artificial Neural Networks, ANN), 사례기반추론(Case-based Reasoning, CBR), 그리고 다분류 문제해결을 위해 확장된 다분류 Support Vector Machines(Multiclass SVM)에 이르기까지 다양한 기법들이 학자들에 의해 적용되었는데, 최근의 연구결과들에 따르면 이 중에서도 다분류 SVM이 가장 우수한 예측성과를 보이고 있는 것으로 보고되고 있다. 본 연구에서는 이러한 다분류 SVM의 성능을 한 단계 더 개선하기 위한 대안으로 유전자 알고리즘(GA, Genetic Algorithm)을 활용한 최적화 모형을 제안한다. 구체적으로 본 연구의 제안모형은 유전자 알고리즘을 활용해 다분류 SVM에 적용되어야 할 최적의 커널 함수 파라미터값들과 최적의 입력변수 집합(feature subset)을 탐색하도록 설계되었다. 실제 데이터셋을 활용해 제안모형을 적용해 본 결과, MDA나 MLOGIT, CBR, ANN과 같은 기존 인공지능/데이터마이닝 기법들은 물론 지금까지 가장 우수한 예측성과를 보이는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안모형이 더 우수한 예측성과를 보임을 확인할 수 있었다.

• 한국식품영양과학회지
• /
• 제44권9호
• /
• pp.1388-1398
• /
• 2015

본 연구의 목적은 고추장 소스의 제품 개발을 위해 소비자 요구에 기반을 둔 Quality Function Deployment(QFD) 모델을 적용하고자 하였다. QFD는 고객의 요구 사항이 제품이나 서비스 개발의 각 단계에 반영될 수 있도록 하는 강력한 품질 경영 도구이다. 고추장 소스 제품 개발에 QFD 기법을 적용하기 위해 먼저 소비자로부터 요구 사항을 도출하고 소비자의 중요도, 수행도 분석을 위해 소비자 설문조사를 실시하였다. 다음으로 전문가 인터뷰를 통해 기술특성을 도출하고 품질표 및 상관관계를 정의하였다. 최종적으로 각 단계에서 수집되고 해석된 데이터를 이용하여 고추장 소스 제품 개발을 위한 품질의 집을 완성하였다. 그 결과 고객인지도 비교에서는 고추장 소스의 신선한 풍미를 가장 중요하게 생각하였으며, 음식 풍미 향상, 음식 활용도 높음의 순으로 높게 나타났다. 고추장 소스의 품질에 대한 요구도와 개선비를 모두 고려하여 우선순위로 연결해 본 결과 신선한 풍미, 음식 풍미 향상, 음식 활용도 높음, 활용 가능한 레시피 제공 등이 높게 분석되었다. 이를 통해 소비자들은 고추장 소스 제품의 외관적인 측면보다는 풍미와 관련된 제품 품질을 더 중요하게 생각하는 것으로 나타났다. 기술특성의 난이도는 구매용이성, 브랜드 개발, 현지 식재료 사용, 독특한 콘셉트가 높게 나타난 반면, 순한 매운맛, 선명하고 탁한 붉은색, 끈적끈적하게 천천히 흐르는 점도에 대해서는 난이도 점수 및 순위가 낮게 나타났다. 기술특성 값을 중심으로 실행 난이도와 기술특성 간의 상호관계를 고려하여 기술특성 우선순위를 매겨 본 결과 용도 다양화에 대한 속성이 가장 높은 우선순위를 차지하고 있는 것을 알 수 있었다. 다음으로 무료 샘플 및 시식, 독특한 콘셉트, 브랜드 개발, 고추장 소스의 입자 보이지 않음 순으로 우선순위가 높게 나타났다. 이를 통해 고추장 소스의 개발과 이의 소비 확대를 위해서는 현지 소비자가 쉽게 접할 수 있는 레시피 개발과 동반 음식을 함께 제안하는 것이 필요할 것으로 사료된다. 고추장은 매운 맛을 내는 소스 중에서 발효라는 공정을 거쳐 제조되므로 이러한 이미지를 부각시켜 기존의 매운 소스와의 차별성을 둔 현지인 맞춤형 포지셔닝 전략이 필요할 것이다. 한편으로는 제품 콘셉트 도출 단계에서부터 소비자가 직접 참여하는 프로슈머 마케팅을 잘 활용하면 그들의 요구사항을 반영한 맞춤 상품을 공급할 수 있을 것이다. 이는 고객 만족도를 높이는 것뿐만 아니라 브랜드에 대한 로열티를 높일 수 있으므로 고추장 소스 콘셉트 개발 시에도 이러한 방법을 이용한다면 소비자의 니즈를 충족시킬 수 있는 차별화된 제품을 개발할 수 있을 것이라 판단된다. 그러나 본 연구는 편의추출법에 의해 설문 대상자를 선정하였고, 미국의 뉴욕 맨해튼과 중국의 베이징이라는 지역적 제한점을 갖고 있어 미국과 중국 대부분의 소비자 니즈를 반영했다고 보기에는 어려움이 있다. 이에 따라 향후 외적 타당도의 저해 요인들을 감소시킬 수 있는 소비자 계층에 따른 샘플링, 지역적 범위를 확장시킨 조사 설계 연구가 필요할 것으로 사료된다.

• 지능정보연구
• /
• 제27권2호
• /
• pp.17-32
• /
• 2021

화자인식은 자동 음성시스템에서 중요한 기능을 담당하며, 최근 휴대용 기기의 발전 및 음성 기술, 오디오 콘텐츠 분야 등이 계속해서 확장됨에 따라 화자인식 기술의 중요성은 더구나 부각 되고 있다. 이전의 화자인식 연구는 음성 파일을 기반으로 화자가 누구인지 자동으로 판정 및 정확도 향상을 위한 목표를 가지고 진행되었다. 한편 말투는 중요한 사회언어학적 소재로 사용자의 사회적 환경과 밀접하게 관련되어 있다. 추가로 화자의 말투에 사용되는 종결어미는 문장의 유형을 결정하거나 화자의 의도, 심리적 태도 또는 청자에 대한 관계 등의 기능과 정보를 가지고 있다. 이처럼 종결어미의 활용형태는 화자의 특성에 따라 다양한 개연성이 있어 특정 미확인 화자의 종결어미의 종류와 분포는 해당 화자를 인식하는 것에 도움이 될 것으로 보인다. 기존 텍스트 기반의 화자인식에서 말투를 고려한 연구가 적었으며 음성 신호를 기반으로 한 화자인식 기법에 말투 정보를 추가한다면 화자인식의 정확도를 더욱 높일 수 있을 것이다. 따라서 본 연구의 목적은 한국어 화자인식의 정확도를 개선하기 위해 종결어미로 표현되는 말투(speech style) 정보를 활용한 방법을 제안하는 것이다. 이를 위해 특정인의 발화 내용에서 등장하는 종결어미의 종류와 빈도를 활용하여 벡터값을 생성하는 문장 시퀀싱이라는 방법을 제안한다. 본 연구에서 제안한 방법의 우수성을 평가하기 위해 드라마 대본으로 학습 및 성능평가를 수행하였다. 본 연구에서 제안한 방법은 향후 실존하는 한국어 음성인식 서비스의 성능 향상을 위한 수단으로 사용될 수 있으며 지능형 대화 시스템 및 각종 음성 기반 서비스에 활용될 것을 기대한다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.