• 에너지공학
• /
• 제28권4호
• /
• pp.82-93
• /
• 2019

본 연구에서는 기존 열수요 예측 시스템이 공휴일과 같은 특정 일자의 열수요 예측율이 저하되는 문제점을 개선하기 위해 새로운 모델을 제안한다. 제안된 모델은 사계절 혼합형 신경망 모델(Four Season Mixed Heat Demand Prediction Neural Network Model)로서 열수요 예측율 상승하였고, 특히 예측일 유형별(평일/주말/공휴일) 열수요 예측율이 크게 증가하였다. 제안된 모델은 다음과 같은 과정을 통해 선정되었다. 특정 계절에 예측일 유형별로 고른 오차를 갖는 모델을 선정하여 전체 예측 모델을 구성한다. 학습 시간의 단축과 과도학습을 방지하기 위해 구조적으로 단순화된 서로 다른 4개의 모델을 각각 학습한 후에 다양한 조합을 통해 최적의 예측 오차를 보여주는 모델을 선정하였다. 모델의 출력은 예측일의 24시간의 시간대별 열수요이며 총합은 일일 총열수요이다. 이 예측값을 통해 효율적인 열공급 계획을 수립 할 수 있으며, 목적에 따라 출력값을 선택하여 활용할 수 있다. 제안된 모델의 일일 열 총수요 예측의 경우, 전체 MAPE(Mean Absolute Percentage Error, 평균 절대 비율 오차)가 개별 모델의 5.3~6.1%에서 5.2%로 향상되었고, 공휴일 열수요예측은 4.9~7.9%에서 2.9%로 크게 개선되었다. 본 연구에서는 한국 지역난방공사에서 제공한 특정 아파트 단지의 34개월 분량의(2015년 1월~ 2017년10월) 시간단위 열수요 데이터를 활용하였다.

• 한국ITS학회 논문지
• /
• 제22권2호
• /
• pp.80-92
• /
• 2023

도시에 많은 사람들이 밀집하여 살아가면서 기존에 예측하지 못했던 범죄, 사고, 감염병 등의 비정상 이벤트가 발생은 도시 내 이용자 수요에 영향을 미치게 된다. 이러한 불확실성(uncertainty)이 내포된 정보를 기반으로 도시 내 이용자 수요에 대한 시계열적 예측을 수행한다면 신뢰성 있는 결과 도출이 불가능하다. 특히, 2020년 초 발발한 COVID-19는 비정상적인 이동통행패턴의 변화를 불러 일으키며 시계열 수요예측을 어렵게 만들었기에 이러한 변화를 검지하고 이를 반영하여 정확한 수요를 예측 수행할 수 있는 방법론의 필요성이 대두되고 있다. 이에 본 연구는 COVID-19로 인한 비정상적 이벤트를 자동으로 검지하고 예측하는 모형 파이프라인을 구축하였다. 이는 도시 내 다양한 분야에서의 불규칙적이고 비정상적인 이벤트로 인한 수요변화가 일어나는 상황에 폭넓게 활용될 수 있을 것으로 생각된다.

• 한국재난정보학회 논문집
• /
• 제16권4호
• /
• pp.842-848
• /
• 2020

연구목적: 노후화된 발전기의 지속 가능한 운영을 위하여 효율적이며, 안전한 운영이 중요하다. 효율적 운영이란 경제적 관점이며, 안전한 운영은 발전 설비의 치명적 사고 발생에 대한 발생 이전의 사전 조치를 말한다. 그러므로 발전기의 지속가능 운영 모니터링을 위하여 관련된 센서 설치와 이를 기반으로 지속 가능에 대한 예측할 수 있는 모델에 대한 연구가 필요하다. 연구방법: 전기와 열에 대한 수요 예측, 엔진의 성능과 이상을 탐지하는 예측, 그리고 재 난 안전에 대한 예측 모델을 제시하였다. 이를 위하여 필요한 센서를 정의하였으며, 이를 기반으로 예측 모델을 각각 개발하여 수행하였다. 연구결과: 수요 예측 모델은 기존의 79%에서 90% 이상으로 예측 정확도를 향상시켰으며, 다른 2개 모델도 시스템의 지속가능한 안정적 운영을 지원하였다. 결론: 노후화된 발전설비의 지속가능 운영을 지원하기 위한 3가지 종류의 예측 모델을 개발하고 이를 제이비주식회사의 발전 설비에 실제 적용하여 운영하고 있다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 추계학술대회
• /
• pp.447-449
• /
• 2022

본 연구는 언제 어디서나 네트워크에 연결되는 특성과 유연한 이동성을 가지고 있는 대표적인 모바일 플랫폼 중 하나인 안드로이드가 기반이 되었다. 또한, AI을 기반으로 불량품들의 데이터를 알 수 있는 수요예측 알고리즘을 이용하여 수요예측 데이터와 회사의 시계열 데이터들을 안드로이드 스튜디오를 기반으로 실시간 모니터링 UI 디자인 방안에 대해서 연구하고자 한다.

• 한국화재소방학회논문지
• /
• 제30권6호
• /
• pp.130-136
• /
• 2016

대학이 산업수요 맞춤형 인재양성 교육체계를 갖추어 나가기 위해서는 수요자의 입장에서 교육과정을 분석하고 개선해 나갈 필요가 있다. 이러한 취지에서 본 논문은 화재위험성 예측평가분야 교육과정의 전공 적합도를 평가하기 위해 소방관련 산업체 종사자를 대상으로 수요조사를 하였으며 그 결과를 토대로 기술통계분석, 요인분석, 군집분석 그리고 일원분산분석을 실시하였다. 분석 결과, 소방관련 산업체 종사자들은 화재위험성 예측평가 분야의 교육과정이 전공에 적합하다고 평가하였다. 그리고 화재위험성 예측평가분야의 교과목 중 전공기초과목과 전공공통과목의 필요성을 크게 인식하고 있었다. 이러한 분석결과는 향후 지속적으로 교육과정을 개선해 나가는데 기초자료로 활용할 계획이다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제18권3호
• /
• pp.528-550
• /
• 2024

Warehousing demand prediction is an essential part of the supply chain, providing a fundamental basis for product manufacturing, replenishment, warehouse planning, etc. Existing forecasting methods cannot produce accurate forecasts since warehouse demand is affected by external factors such as holidays and seasons. Some aspects, such as consumer psychology and producer reputation, are challenging to quantify. The data can fluctuate widely or do not show obvious trend cycles. We introduce a new model for warehouse demand prediction called MAGRU, which stands for Multi-layer Attention with GRU. In the model, firstly, we perform the embedding operation on the input sequence to quantify the external influences; after that, we implement an encoder using GRU and the attention mechanism. The hidden state of GRU captures essential time series. In the decoder, we use attention again to select the key hidden states among all-time slices as the data to be fed into the GRU network. Experimental results show that this model has higher accuracy than RNN, LSTM, GRU, Prophet, XGboost, and DARNN. Using mean absolute error (MAE) and symmetric mean absolute percentage error(SMAPE) to evaluate the experimental results, MAGRU's MAE, RMSE, and SMAPE decreased by 7.65%, 10.03%, and 8.87% over GRU-LSTM, the current best model for solving this type of problem.

• 한국산학기술학회논문지
• /
• 제22권3호
• /
• pp.234-241
• /
• 2021

군에서는 수요예측에 대한 중요성을 인식하여 수리부속에 대해 예측 정확도 향상을 위한 많은 연구가 이루어지고 있다. 수리부속 수요예측은 예산 운영과 장비 가동률 측면에서 매우 중요한 요소가 되고 있다. 그러나 현재 군에서 적용중인 시계열 모형으로는 수요량의 변동과 발생주기가 일정하지 않은 간헐적 수요에 대해서는 예측에 한계가 있는 실정이다. 따라서, 본 연구는 공군 패트리어트 수리부속의 간헐적 수요에 대한 예측 정확도를 제고하는 방법을 제시하고자 하였다. 이를 위해서 2013년부터 2019년까지의 701개의 수리부속 소모개수를 토대로 수요 유형을 구분하여 수리부속의 간헐적 수요 자료를 수집하였다. 또한, 장비 고장에 영향을 줄 수 있는 외부 요인으로는 기온, 장비운영시간을 식별하여 입력변수로 선정하였다. 그 후, 소모개수와 외부 요인을 통해 군에서 적용하는 시계열 모형과 제안하는 데이터 마이닝 모형으로 예측을 실시하여 모형별 예측 정확도를 판단했다. 예측 결과로 기존의 시계열 모형과 비교하여 데이터 마이닝 모형의 예측 정확도가 높았으며, 그 중 다층 퍼셉트론 모형이 가장 우수한 성능을 보였다.

• 한국환경과학회지
• /
• 제11권12호
• /
• pp.1275-1279
• /
• 2002

This study was performed to improve water demand estimation and analize correlation between generation of domestic sewage and domestic water use. To improve the prediction of water demand estimation, new water demand equation was developed. The results is as follows. $InQ_t = {\beta}_0+{\beta}_1InP_t+{\beta}_2InY_t+{\beta}_3InH_t+{varepsilon}_t$By using the statistical analysis of the "generation of domestic sewage" and "domestic water use", the regression equation between them is formed. The result is as follows. Generation of domestic sewage : 0.8487 $\times$ Domestic water use + 684.57 ($R^2$= 0.972)>$R^2$= 0.972)

• International Journal of Computer Science & Network Security
• /
• 제23권9호
• /
• pp.1-7
• /
• 2023

Demand prediction is an essential component of any business or supply chain. Large retailers need to keep track of tens of millions of items flows each day to ensure smooth operations and strong margins. The demand prediction is in the epicenter of this planning tornado. For business processes in retail companies that deal with a variety of products with short shelf life and foodstuffs, forecast accuracy is of the utmost importance due to the shifting demand pattern, which is impacted by an environment of dynamic and fast response. All sectors strive to produce the ideal quantity of goods at the ideal time, but for retailers, this issue is especially crucial as they also need to effectively manage perishable inventories. In light of this, this research aims to show how Machine Learning approaches can help with demand forecasting in retail and future sales predictions. This will be done in two steps. One by using historic data and another by using open data of weather conditions, fuel, Consumer Price Index (CPI), holidays, any specific events in that area etc. Several machine learning algorithms were applied and compared using the r-squared and mean absolute percentage error (MAPE) assessment metrics. The suggested method improves the effectiveness and quality of feature selection while using a small number of well-chosen features to increase demand prediction accuracy. The model is tested with a one-year weekly dataset after being trained with a two-year weekly dataset. The results show that the suggested expanded feature selection approach provides a very good MAPE range, a very respectable and encouraging value for anticipating retail demand in retail systems.

• International Journal of Computer Science & Network Security
• /
• 제23권8호
• /
• pp.210-216
• /
• 2023

Demand prediction is an essential component of any business or supply chain. Large retailers need to keep track of tens of millions of items flows each day to ensure smooth operations and strong margins. The demand prediction is in the epicenter of this planning tornado. For business processes in retail companies that deal with a variety of products with short shelf life and foodstuffs, forecast accuracy is of the utmost importance due to the shifting demand pattern, which is impacted by an environment of dynamic and fast response. All sectors strive to produce the ideal quantity of goods at the ideal time, but for retailers, this issue is especially crucial as they also need to effectively manage perishable inventories. In light of this, this research aims to show how Machine Learning approaches can help with demand forecasting in retail and future sales predictions. This will be done in two steps. One by using historic data and another by using open data of weather conditions, fuel, Consumer Price Index (CPI), holidays, any specific events in that area etc. Several machine learning algorithms were applied and compared using the r-squared and mean absolute percentage error (MAPE) assessment metrics. The suggested method improves the effectiveness and quality of feature selection while using a small number of well-chosen features to increase demand prediction accuracy. The model is tested with a one-year weekly dataset after being trained with a two-year weekly dataset. The results show that the suggested expanded feature selection approach provides a very good MAPE range, a very respectable and encouraging value for anticipating retail demand in retail systems.