1 |
1
복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치에 있어서,시계열 데이터에 기초하여 출력 데이터를 생성하고, 상기 출력 데이터를 제1 예측 장치 및 제2 예측 장치에 제공하고, 상기 제1 예측 장치로부터 상기 출력 데이터에 대응되는 제1 장치 예측 결과를 수신하고, 상기 제2 예측 장치로부터 상기 출력 데이터에 대응되는 제2 장치 예측 결과를 수신하고, 상기 제1 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하고, 상기 제2 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하는 데이터 관리기; 및상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 상기 제1 장치 오차, 및 상기 제2 장치 오차에 기초하여, 상기 제1 예측 장치에 대응되는 제1 장치 가중치 및 상기 제2 예측 장치에 대응되는 제2 장치 가중치를 생성하기 위한 예측 모델의 파라미터 그룹을 조절하는 학습기를 포함하고,상기 출력 데이터는, 상기 시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 상기 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 장치
|
2 |
2
제1 항에 있어서,상기 제1 예측 장치는, 상기 제1 누적 데이터에 기초하여 상기 제2 시간에 대응되는 제1 예측 특징들을 생성하고, 상기 제2 누적 데이터에 기초하여 상기 제2 시간 이후의 제3 시간에 대응되는 제2 예측 특징들을 생성하고, 상기 제1 예측 특징들 및 상기 제2 예측 특징들을 포함하는 상기 제1 장치 예측 결과를 생성하고,상기 제2 예측 장치는, 상기 제1 누적 데이터에 기초하여 상기 제2 시간에 대응되는 제3 예측 특징들을 생성하고, 상기 제2 누적 데이터에 기초하여 상기 제2 시간 이후의 제3 시간에 대응되는 제4 예측 특징들을 생성하고, 상기 제3 예측 특징들 및 상기 제4 예측 특징들을 포함하는 상기 제2 장치 예측 결과를 생성하는 장치
|
3 |
3
제1 항에 있어서,상기 학습기는,상기 제1 장치 예측 결과에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 특징 윈도우를 생성하고, 상기 제2 장치 예측 결과에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 특징 윈도우를 생성하고, 상기 제1 장치 오차에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 오차 윈도우를 생성하고, 상기 제2 장치 오차에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 오차 윈도우를 생성하고,상기 제1 특징 윈도우, 상기 제2 특징 윈도우, 상기 제1 오차 윈도우, 및 상기 제2 오차 윈도우에 기초하여, 상기 파라미터 그룹을 조절하는 장치
|
4 |
4
제3 항에 있어서,상기 학습기는,상기 타겟 시간이 상기 제1 및 제2 장치 예측 결과들 및 상기 제1 및 제2 장치 오차들의 최초 시간인 경우, 상기 타겟 시간 이전의 시간에 대한 값들을 제로 패딩하여 상기 제1 및 제2 특징 윈도우들 및 상기 제1 및 제2 오차 윈도우들을 생성하는 장치
|
5 |
5
제3 항에 있어서,상기 학습기는,상기 제1 특징 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제1 예측 결과 트렌드를 생성하고, 상기 제2 특징 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제2 예측 결과 트렌드를 생성하고,상기 제1 오차 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제1 오차 트렌드를 생성하고, 상기 제2 오차 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제2 오차 트렌드를 생성하고, 상기 제1 예측 결과 트렌드, 상기 제2 예측 결과 트렌드, 상기 제1 오차 트렌드, 및 상기 제2 오차 트렌드에 기초하여, 상기 파라미터 그룹을 조절하는 장치
|
6 |
6
제5 항에 있어서,상기 학습기는,상기 제1 및 제2 예측 결과 트렌드들 및 상기 제1 및 제2 장치 예측 결과들에 기초하여, 예측 시간에 대응되는 예측 특징 벡터를 추출하고,상기 제1 및 제2 오차 트렌드들 및 상기 제1 및 제2 장치 오차들에 기초하여, 상기 예측 시간에 대응되는 예측 오차 벡터를 추출하는 장치
|
7 |
7
제6 항에 있어서,상기 학습기는,상기 예측 특징 벡터 및 상기 예측 오차 벡터에 기초하여, 상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하고,상기 제1 장치 가중치 및 상기 제2 장치 가중치 각각은 복수의 항목들 각각에 대응되는 가중치 값들을 포함하는 장치
|
8 |
8
제1 항에 있어서,상기 학습기는,상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 상기 제1 장치 오차, 및 상기 제2 장치 오차에 기초하여, 상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하고, 상기 제1 장치 예측 결과 및 상기 제2 장치 예측 결과에 기초하여 기준 장치 가중치를 생성하고,상기 기준 장치 가중치를 상기 제1 및 제2 장치 가중치들과 비교하여, 상기 파라미터 그룹을 조절하는 장치
|
9 |
9
제8 항에 있어서,상기 학습기는,예측 시간에 대응되는 상기 제1 장치 예측 결과의 예측 특징과 상기 예측 시간에 대응되는 실측 값 사이의 제1 차이를 계산하고, 상기 예측 시간에 대응되는 상기 제2 장치 예측 결과의 예측 특징과 상기 실측 값 사이의 제2 차이를 계산하고, 상기 제1 차이 및 상기 제2 차이에 기초하여 상기 기준 장치 가중치를 생성하는 장치
|
10 |
10
복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치에 있어서,출력 데이터를 제1 예측 장치 및 제2 예측 장치에 제공하고, 상기 제1 예측 장치로부터 상기 출력 데이터에 대응되는 제1 장치 예측 결과를 수신하고, 상기 제2 예측 장치로부터 상기 출력 데이터에 대응되는 제2 장치 예측 결과를 수신하는 데이터 관리기; 및상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 윈도우 시간 간격 동안의 상기 제1 장치 예측 결과의 제1 트렌드, 및 상기 윈도우 시간 간격 동안의 상기 제2 장치 예측 결과의 제2 트렌드에 기초하여 예측 시간에 대응되는 예측 특징 벡터를 생성하고, 상기 예측 특징 벡터에 기초하여 상기 복수의 항목들 각각의 제1 장치 가중치 및 제2 장치 가중치를 생성하고, 상기 제1 장치 가중치 및 상기 제2 장치 가중치에 기초하여 상기 예측 시간에 대응되는 상기 제1 및 제2 장치 예측 결과들의 앙상블 결과를 생성하는 예측기를 포함하는 장치
|
11 |
11
제10 항에 있어서,상기 데이터 관리기는, 시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 상기 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 상기 출력 데이터를 생성하는 장치
|
12 |
12
제10 항에 있어서,상기 데이터 관리기는,시계열 데이터에 기초하여 상기 출력 데이터를 생성하고, 상기 제1 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하고, 상기 제2 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하고,상기 예측기는,상기 제1 장치 오차, 상기 제2 장치 오차, 상기 윈도우 시간 간격 동안의 상기 제1 장치 오차의 제3 트렌드, 및 상기 윈도우 시간 간격 동안의 상기 제2 장치 예측 결과의 제4 트렌드에 기초하여, 예측 시간에 대응되는 예측 오차 벡터를 생성하고, 상기 예측 오차 벡터에 더 기초하여 상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하는 장치
|
13 |
13
제10 항에 있어서,상기 예측기는,상기 제1 장치 예측 결과에서 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 특징 윈도우를 생성하고, 상기 제2 장치 예측 결과에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 특징 윈도우를 생성하고,상기 제1 특징 윈도우에 기초하여 상기 제1 트렌드를 생성하고, 상기 제2 특징 윈도우에 기초하여 상기 제2 트렌드를 생성하는 장치
|
14 |
14
제13 항에 있어서,상기 예측기는, 상기 타겟 시간이 상기 제1 및 제2 장치 예측 결과들의 최초 시간인 경우, 상기 타겟 시간 이전의 시간에 대한 값들을 제로 패딩하여 상기 제1 및 제2 특징 윈도우들을 생성하는 장치
|
15 |
15
제10 항에 있어서,상기 예측기는, 상기 예측 시간의 이전 시간에 대응되는 상기 제1 및 제2 트렌드들에 의하여 생성되는 특징 벡터, 및 상기 예측 시간에 대응되는 상기 제1 및 제2 트렌드들, 및 상기 예측 시간에 대응되는 상기 제1 및 제2 장치 예측 결과들에 기초하여, 상기 예측 특징 벡터를 생성하는 장치
|
16 |
16
제10 항에 있어서,상기 예측기는, 상기 제1 장치 가중치를 상기 예측 시간에 대응되는 상기 제1 장치 예측 결과에 적용하여 제1 결과를 생성하고, 상기 제2 장치 가중치를 상기 예측 시간에 대응되는 상기 제2 장치 예측 결과에 적용하여 제2 결과를 생성하고, 상기 제1 결과 및 상기 제2 결과에 기초하여 상기 앙상블 결과를 생성하는 장치
|
17 |
17
복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치의 동작 방법에 있어서,시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 상기 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 출력 데이터를 생성하는 단계;예측 요청과 함께 상기 출력 데이터를 제1 예측 장치 및 제2 예측 장치로 송신하는 단계;상기 제1 예측 장치로부터 상기 예측 요청에 응답한 제1 장치 예측 결과를 수신하는 단계;상기 제2 예측 장치로부터 상기 예측 요청에 응답한 제2 장치 예측 결과를 수신하는 단계;상기 제1 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하는 단계;상기 제2 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하는 단계; 및상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 상기 제1 장치 오차, 및 상기 제2 장치 오차에 기초하여, 상기 제1 예측 장치에 대응되는 제1 장치 가중치 및 상기 제2 예측 장치에 대응되는 제2 장치 가중치를 생성하는 단계를 포함하는 방법
|
18 |
18
제17 항에 있어서,상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하는 단계는,윈도우 시간 간격 동안의 상기 제1 장치 예측 결과를 분석하여 제1 예측 결과 트렌드를 생성하는 단계;상기 윈도우 시간 간격 동안의 상기 제2 장치 예측 결과를 분석하여 제2 예측 결과 트렌드를 생성하는 단계;상기 윈도우 시간 간격 동안의 상기 제1 장치 오차를 분석하여 제1 오차 트렌드를 생성하는 단계;상기 윈도우 시간 간격 동안의 상기 제2 장치 오차를 분석하여 제2 오차 트렌드를 생성하는 단계;상기 제1 및 제2 예측 결과 트렌드들 및 상기 제1 및 제2 장치 예측 결과들에 기초하여 예측 시간에 대응되는 특징 벡터를 생성하는 단계;상기 제1 및 제2 오차 트렌드들 및 상기 제1 및 제2 장치 오차들에 기초하여 상기 예측 시간에 대응되는 오차 벡터를 생성하는 단계; 및상기 특징 벡터 및 상기 오차 벡터에 기초하여 상기 제1 및 제2 장치 가중치들을 생성하는 단계를 포함하는 방법
|
19 |
19
제17 항에 있어서,상기 제1 장치 가중치 및 상기 제2 장치 가중치를 기준 장치 가중치와 비교하여, 예측 모델의 파라미터를 조절하는 단계를 더 포함하는 방법
|
20 |
20
제17 항에 있어서,상기 제1 장치 가중치에 예측 시간에 대응되는 상기 제1 장치 예측 결과를 적용하여 제1 결과를 생성하는 단계;상기 제2 장치 가중치에 상기 예측 시간에 대응되는 상기 제2 장치 예측 결과를 적용하여 제2 결과를 생성하는 단계; 및상기 제1 결과 및 상기 제2 결과에 기초하여 앙상블 결과를 생성하는 단계를 더 포함하는 방법
|