| 1 |
1
시계열 예측 시스템에 의해 수행되는 시계열 예측 방법에 있어서,시계열 예측을 위하여 구성된 앙상블 학습 기반의 학습 모델을 데이터 세트를 이용하여 트레이닝하는 단계; 및 상기 트레이닝된 학습 모델에 시계열 데이터를 입력함에 따라 상기 트레이닝된 학습 모델로부터 시계열 데이터에 대한 예측 데이터를 획득하는 단계 를 포함하고,상기 학습 모델은 기본 러너 및 슈퍼 러너를 포함하고,상기 학습 모델에 구성된 슈퍼 러너는, 어텐션(attention) 기반의 모델을 사용하고, 현재 시간을 기준으로 이전의 히든 스테이트와 현재의 히든 스테이트와의 상관 관계를 통해 시계열 데이터에 대한 예측을 수행하는 것을 특징으로 하는 시계열 예측 방법
|
| 2 |
2
제1항에 있어서,상기 학습 모델은, 복수 개의 기본 러너 및 슈퍼 러너로 구성되어 앙상블 학습 기반의 스태킹 방법(stacking)을 이용하는 것을 포함하고,상기 트레이닝하는 단계는, 상기 구성된 학습 모델을 데이터 세트(set)를 트레이닝 세트, 벨리데이션 세트, 테스트 세트로 구분하고, 상기 구분된 트레이닝 세트를 복수 개의 하위 데이터 세트로 분류하고, 상기 분류된 복수 개의 하위 데이터 세트를 이용하여 K-fold Cross Validation 방식으로 상기 구성된 복수 개의 기본 러너를 트레이닝하는 단계를 포함하는 시계열 예측 방법
|
| 3 |
3
제2항에 있어서,상기 트레이닝하는 단계는, 상기 데이터 세트를 이용하여 트레이닝된 복수 개의 기본 러너로부터 예측된 각각의 예측 데이터를 획득하고, 상기 획득된 각각의 예측 데이터를 결합한 결합 데이터를 슈퍼 러너에 입력하여 슈퍼 러너를 트레이닝하는 단계를 포함하는 시계열 예측 방법
|
| 4 |
4
제3항에 있어서,상기 슈퍼 러너는, 어텐션(attention) 기반의 GRU 모델을 사용하고, 상기 사용된 GRU 모델의 GRU 셀에 업데이트 게이트 및 리셋 게이트가 포함되고,상기 트레이닝하는 단계는, 현재 시간을 기준으로 이전의 히든 스테이트와 현재의 히든 스테이트와의 상관 관계를 스코어로 계산하는 단계를 포함하는 시계열 예측 방법
|
| 5 |
5
제4항에 있어서,상기 트레이닝하는 단계는, 상기 계산된 스코어를 이용하여 상기 이전의 히든 스테이트 또는 현재의 히든 스테이트를 포함하는 각 히든 스테이트에 대한 가중치를 계산하는 단계 를 포함하는 시계열 예측 방법
|
| 6 |
6
제5항에 있어서,상기 트레이닝하는 단계는, 각 시점에서 계산된 가중치 및 이전의 히든 스테이트를 사용하여 컨텍스트 벡터를 계산하고, 현재의 히든 스테이트의 값과 상기 계산된 컨텍스트 벡터의 연결(Concat) 연산을 수행한 후, 선형 함수를 사용함으로써 추정값을 계산하는 단계를 포함하는 시계열 예측 방법
|
| 7 |
7
제1항에 있어서,상기 획득하는 단계는,상기 트레이닝된 학습 모델에 시계열 데이터를 입력함에 따라 상기 트레이닝된 학습 모델에 구성된 복수 개의 기본 러너를 이용하여 획득된 각각의 예측 데이터에 대한 평균 값을 계산하고, 상기 계산된 평균 값을 결합하여 상기 트레이닝된 학습 모델에 구성된 슈퍼 러너의 입력 데이터로 사용함으로써 상기 슈퍼 러너로부터 최종 예측 데이터를 획득하는 단계 를 포함하는 시계열 예측 방법
|
| 8 |
8
시계열 예측 시스템에 있어서,시계열 예측을 위하여 구성된 앙상블 학습 기반의 학습 모델을 데이터 세트를 이용하여 트레이닝하는 트레이닝부; 및 상기 트레이닝된 학습 모델에 시계열 데이터를 입력함에 따라 상기 트레이닝된 학습 모델로부터 시계열 데이터에 대한 예측 데이터를 획득하는 예측부 를 포함하고,상기 학습 모델은 기본 러너 및 슈퍼 러너를 포함하고,상기 학습 모델에 구성된 슈퍼 러너는, 어텐션(attention) 기반의 모델을 사용하고, 현재 시간을 기준으로 이전의 히든 스테이트와 현재의 히든 스테이트와의 상관 관계를 통해 시계열 데이터에 대한 예측을 수행하는 것을 특징으로 하는 시계열 예측 시스템
|
