| 1 |
1
시계열 데이터를 입력받는 시계열 데이터 입력부;상기 시계열 데이터 입력부로부터 시계열 데이터를 분석하여 시계열 데이터 특성을 확인하는 데이터 처리부;상기 데이터 처리부로부터 얻어진 시계열 데이터 특성을 미세하게 변화하여 새로운 종류의 시계열 데이터를 생성하는 데이터 생성부;상기 데이터 처리부 또는 상기 데이터 생성부로부터 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터가 결정되어 학습하는 시계열 데이터 예측 모델 학습부;상기 시계열 데이터 예측 모델 학습부로부터 학습된 딥러닝 기반 시계열 데이터 예측 모델의 모델 그래프, 모델 파라미터와 데이터 분석 로그가 매칭되서 저장되는 시계열 데이터 예측 모델 저장부;상기 시계열 데이터 예측 모델 저장부를 이용한 시계열 데이터 예측 모델의 추론 시에 상기 시계열 데이터 입력부로부터 입력받은 시계열 데이터와 미리 학습된 시계열 데이터 예측 모델 및 데이터 분석 로그를 매칭하여 유사도를 판별하는 데이터 분석 매칭부; 및상기 데이터 분석 매칭부를 통해서 입력받은 시계열 데이터와 가장 유사도가 높은 사전 학습된 시계열 데이터 예측 모델을 통해서 시계열 데이터 예측을 수행하는 시계열 데이터 예측부를 포함하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 2 |
2
청구항 1에 있어서,상기 데이터 처리부는,상기 시계열 데이터 입력부의 시계열 데이터를 입력받아 시계열 데이터 지점마다 전체 시계열 데이터 지점에 대한 평균을 빼서 전처리를 수행하는 전처리부;상기 전처리부로부터 전처리가 수행된 시계열 데이터를 자기상관함수(Auto Correlation Function)를 적용하여 최초의 시계열 데이터 지점부터 각 시계열 데이터 지점에 대한 자기상관값을 계산하고, 각 시계열 데이터 지점의 자기상관값에 임계값을 적용하여 유사한 패턴이 얼마의 간격만큼 반복되는지를 확인하는 제1 데이터 분석부;상기 제1 데이터 분석부로부터 수신된 시계열 데이터의 시간에 따른 상관 정보를 나타내는 시계열 데이터 특성을 반영하여 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터를 설정하여 시계열 데이터 예측 모델을 생성하는 제1 하이퍼파라미터 설정부; 및상기 제1 데이터 분석부의 결과값과 상기 제1 하이퍼파라미터 설정부에서 생성된 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터 설정값을 저장하는 제1 로그 저장부를 포함하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 3 |
3
청구항 1에 있어서,상기 데이터 생성부는,상기 데이터 처리부로부터 수신한 시계열 데이터 특성을 포함한 데이터 분석 로그를 기반으로 각 시계열 데이터 지점에 대한 자기상관값을 푸리에 변환을 통한 파워 스펙트럼을 계산하여 랜덤하게 주파수를 제거, 추가 또는 섞음을 통해 랜덤 상수를 정의하고 추가하는 랜덤 상수 추가부;상기 랜덤 상수 추가부를 통해 주제는 같지만 특성이 다른 새로운 시계열 데이터를 생성하고, 생성된 시계열 데이터를 분석하여 랜덤 상수가 반영된 시계열 데이터 특성에 대한 로그를 남기는 제2 데이터 분석부;상기 제2 데이터 분석부로부터 계산된 랜덤 상수가 반영된 시계열 데이터 특성을 반영하여 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터를 설정하여 시계열 데이터 예측 모델을 생성하는 제2 하이퍼파라미터 설정부; 및상기 제2 데이터 분석부의 결과값과 상기 제2 하이퍼파라미터 설정부에서 생성된 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터 설정값을 저장하는 제2 로그 저장부를 포함하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 4 |
4
청구항 2 또는 청구항 3에 있어서,상기 시계열 데이터 예측 모델 학습부는,상기 데이터 처리부 또는 상기 데이터 생성부로부터 결정된 시계열 데이터 특성에 대한 로그와, 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터 설정값을 가지고 딥러닝 기반 시계열 데이터 예측 모델을 학습하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 5 |
5
청구항 2 또는 청구항 3에 있어서,상기 시계열 데이터 예측 모델 학습부는,상기 데이터 처리부 또는 상기 데이터 생성부로부터 결정된 딥러닝 기반 시계열 데이터 예측 모델과 하이퍼파라미터를 베이지안 최적화(Bayesian Optimization) 알고리즘을 적용하여 데이터 특성에 맞게 하이퍼파라미터를 검색하고, 매 반복마다 검증(Validation) 데이터에 대한 검증 테스트를 진행하여 최고 성능을 내는 하이퍼파라미터를 찾는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 6 |
6
청구항 1에 있어서,상기 시계열 데이터 예측 모델의 학습 시에는 상기 시계열 데이터 입력부, 상기 데이터 처리부, 상기 데이터 생성부, 상기 시계열 데이터 예측 모델 학습부, 상기 시계열 데이터 예측 모델 저장부를 통해서 시계열 데이터 특성에 대한 값, 상기 시계열 데이터 예측 모델인 stride-TCN 모델의 그래프, stride-TCN 모델의 하이퍼파라미터 설정값, 학습된 stride-TCN 모델이 저장되도록 제어하는 제어부를 더 포함하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 7 |
7
청구항 1에 있어서,상기 시계열 데이터 예측 모델의 추론 시에는 상기 시계열 데이터 입력부, 상기 데이터 처리부, 상기 데이터 생성부, 상기 데이터 분석 매칭부, 상기 시계열 데이터 예측부를 통해서 입력된 시계열 데이터에 대해 미래의 시계열 데이터를 예측하도록 제어하는 제어부를 더 포함하며,상기 데이터 분석 매칭부는 상기 데이터 처리부로부터 얻어진 입력 데이터 특성 로그값과 사전 학습된 stride-TCN 모델에 맞는 데이터 특성 로그값 사이의 유사성을 비교해서 유사도가 가장 높은 stride-TCN 모델의 그래프, 하이퍼파라미터 설정값, 학습된 stride-TCN 모델을 불러와서 시계열 데이터를 예측하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 8 |
8
청구항 1에 있어서,상기 시계열 데이터 예측 모델은 상기 데이터 처리부 또는 상기 데이터 생성부로부터 수신된 시계열 데이터 특성을 반영하여 딥러닝 기반 시계열 데이터 예측 모델의 하이퍼파라미터를 설정하여 수용 필드를 포함한 확장 컨볼루션 , TCN((Temporal Convolutional Network) 블록의 확장 개수를 결정하기 위한 파라미터 를 계산하여 TCN 블록을 생성하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 9 |
9
청구항 8에 있어서,상기 확장 컨볼루션 은 필터를 입력을 이라고 할 때, 다음의 수학식 1에 의해 계산되는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 10 |
10
청구항 9에 있어서,상기 파라미터 는 다음의 수학식 2와 수학식 3를 이용하여 계산되는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 11 |
11
청구항 1에 있어서,상기 시계열 데이터 예측 모델은 시간적 합성곱 신경망(Temporal Convolutional Network, TCN) 모델 또는 stride-TCN 모델인 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
| 12 |
12
청구항 11에 있어서,상기 데이터 처리부 또는 상기 데이터 생성부는,상기 TCN 모델 또는 상기 stride-TCN 모델을 베이지안 최적화 알고리즘을 이용하여 학습 절차 전에 하이퍼파라미터를 자동으로 검색하여 결정하는 시계열 데이터 특성을 반영한 TCN 모델 예측 시스템
|
