• 한국컴퓨터정보학회논문지
• /
• 제19권9호
• /
• pp.125-139
• /
• 2014

본 논문에서는 준지도 지지 벡터 회귀 모델(semi-supervised support vector regression)을 이용한 반응 모델링(response modeling)을 제안한다. 반응 모델링의 성능 및 수익성을 높이기 위해, 고객 데이터 셋의 대부분을 차지하는 레이블이 존재하지 않는 데이터를 기존 레이블이 존재하는 데이터와 함께 학습에 이용한다. 제안하는 알고리즘은 학습 복잡도를 낮은 수준으로 유지하기 위해 일괄 학습(batch learning) 방식을 사용한다. 레이블 없는 데이터의 레이블 추정에서 불확실성(uncertainty)을 고려하기 위해, 분포추정(distribution estimation)을 하여 레이블이 존재할 수 있는 영역을 정의한다. 그리고 추정된 레이블 영역으로부터 오버샘플링(oversampling)을 통해 각 레이블이 없는 데이터에 대한 레이블을 복수 개 추출하여 학습 데이터 셋을 구성한다. 이 때, 불확실성의 정도에 따라 샘플링 비율을 다르게 함으로써, 불확실한 영역에 대해 더 많은 정보를 발생시킨다. 마지막으로 지능적 학습 데이터 선택 기법을 적용하여 학습 복잡도를 최종적으로 감소시킨다. 제안된 반응 모델링의 성능 평가를 위해, 실제 마케팅 데이터 셋에 대해 다양한 레이블 데이터 비율로 실험을 진행하였다. 실험 결과 제안된 준지도 지지 벡터 회귀 모델을 이용한 반응 모델이 기존 모델에 비해 더 높은 정확도 및 수익을 가질 수 있다는 점을 확인하였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제5권10호
• /
• pp.293-302
• /
• 2016

전기는 생산과 소비가 동시에 이루어지므로 필요한 전력 사용량을 예측하고, 이를 충족시킬 수 있는 충분한 공급능력을 확보해야만 안정적인 전력 공급이 가능하다. 특히, 대학 캠퍼스는 전력 사용이 많은 곳으로 시간과 환경에 따라 전력 변화폭이 다양하다. 이러한 이유로, 효율적인 전력 공급 및 관리를 위해서는 전력 사용량을 실시간으로 예측할 수 있는 모델이 요구된다. 국내외 대학 건물에 대해서는 전력 사용 패턴과 사례 분석을 통해 전력 사용에 영향을 주는 요인들을 파악하기 위한 다양한 연구가 진행되었으나, 전력 사용량의 정량적 예측을 위해서는 더 많은 연구가 필요한 상황이다. 본 논문에서는, 기계 학습 기법을 이용하여 대학 캠퍼스의 전력 사용량 예측 모델을 구성하고 평가한다. 이를 위해, 대학 캠퍼스의 주요 건물 클러스터에 대해 전력 사용량을 15분마다 1년 이상 수집한 데이터 셋을 사용한다. 수집된 전력 사용량 데이터는 수열 형태의 시계열 데이터로 기계 학습 모델에 적용 시 주기성 정보를 반영할 수 없으므로, 2차원 공간의 연속적인 데이터로 증강함으로써 주기성을 반영하였다. 이 데이터와 교육기관의 특성을 반영하기 위한 요일과 공휴일로 구성된 8차원 특성 벡터에 대해 주성분 분석(Principal Component Analysis) 알고리즘을 적용한다. 이어, 인공 신경망(Artificial Neural Network)과 지지 벡터 회귀분석(Support Vector Regression)을 이용하여 전력 사용량 예측 모델을 학습시키고, 5겹 교차검증(5-fold Cross Validation)을 통하여 적용된 기법의 성능을 평가하여, 실제 전력 사용량과 예측 결과를 비교한다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2018년도 춘계학술대회
• /
• pp.246-247
• /
• 2018

관제구역 내 항로는 주요 항만의 항계를 포함하고 있기 때문에 지리적 여건에 따라 선박 통항량이 증가하고 항로가 협소한 구간이 존재한다. 또한, 대한민국 서해안에 위치한 항만과 그 관제구역의 경우 큰 조석간만의 차로 인하여 선박 조선에 있어 강한 조류의 영향을 받게 된다. 본 논문에서는 항로 상 조류의 흐름에 따른 선박 항적 이동의 특성을 분석하여 항해 환경 변화에 따른 유의미한 정보를 생산하는 방법을 제시하고 실제 해양 사고 사례에 적용하여 그 유효성을 검증하였다. 모델 추출을 위하여 SVR seaway model, 지지벡터 회귀 모형과 격자 탐색을 통한 모수 결정을 수행하였다.

• 한국지능시스템학회논문지
• /
• 제26권3호
• /
• pp.182-189
• /
• 2016

수치예보모델을 이용한 예보의 정확도를 높이기 위해 관측 간격이 조밀하고 많은 양의 관측자료를 사용하는 방법이 있다. 현재 기상청에서는 자동기상관측장비(Automatic Weather Station, AWS)를 설치하여 관측자료를수 집하고 있지만, 고가의 설치 및 유지보수 비용 등의 경제적인 한계가 있다. 소형 자동기상관측장비(Mini-AWS)는 기온, 습도, 기압을 측정하고 기록할 수 있는 초소형 기상관측장비로 설치 및 유지보수 비용이 저렴하고 설치를 위한 장소 선택의 제약이 크지 않아 필요한 지역에 설치하여 관측자료를 수집하기가 용이하다. 그러나 설치 장소에 따라 외부환경에 영향을 받을 수 있기 때문에 관측자료의 보정이 필요하다. 본 논문에서는 Mini-AWS 기압자료를 기상자료로 활용하기 위한 보정기법을 제안한다. Mini-AWS를 통해 수집된 관측자료는 전처리 과정을 거쳐 주변에서 가장 가까운 AWS 기압 값을 참값으로 기계학습 기법을 이용하여 기압 보정을 수행하였다. 실험결과 기상관측 규정에 따른 허용오차 범위 내에 포함되었으며, 지지벡터 회귀를 적용한 보정기법이 가장 좋은 성능을 보였다.