원문정보
피인용수 : 0건 (자료제공 : 네이버학술정보)
초록
한국어
최근 높은 성능의 수요예측 모델 연구가 주목받고 있다. 따라서 본 논문에서는 수요 패턴의 특성을 적용하여 제품을 군집화하고 군집별로 패턴을 학습하여 최적의 수요예측 모델을 선정한다. 이 때 복합적 군집 모델은 시계열 특성 및 수요 패턴의 특성을 고려하도록 설계하여 군집화의 정확도를 높였다. 분석에는 리테일 분야 제품 1624 개의 3 년간 주간 수요 데이터를 사용하였다. 군집화 모델은 K-means clustering 을, 수요 예측 모델은 딥러닝 알고리즘인 Deep Neural Network, Multi-Layer Perceptron, Long-Short Term Memory 과 머신러닝 알고리즘인 Random Forest, Extreme Gradient Boosting 을 사용하였다. 군집화 과정의 유무에 따른 예측 결과를 비교함으로써 모델의 성능을 평가하였다. 본 논문에서는 군집화-수요예측 모델을 제안함으로써 수요예측의 성능을 높이는 새로운 방법론을 제안한다.
목차
Abstract
1. Introduction
2. 연구 배경
3. 방법론(Methodology)
3.1 모델
3.2 방법론
4. 실험
4.1 데이터
4.2 군집화
4.3 수요 예측 모델
5. 결과
6. 결론
References
1. Introduction
2. 연구 배경
3. 방법론(Methodology)
3.1 모델
3.2 방법론
4. 실험
4.1 데이터
4.2 군집화
4.3 수요 예측 모델
5. 결과
6. 결론
References
저자정보
참고문헌
자료제공 : 네이버학술정보