1 |
1
시계열 데이터의 품질을 개선하는 장치에 있어서, 기설정된 복수의 시점별로 상기 시계열 데이터를 관측 윈도우로 구성하는 윈도우 구성부; 기설정된 복수의 시점별 관측 윈도우를 순차적으로 기학습된 학습 모델에 입력하고, 상기 기학습된 학습 모델을 통해 생성된 각 시점의 관측 윈도우 다음에 예측되는 예측 윈도우의 값을 이용하여 정상 범위 밴드를 생성하는 정상 범위 밴드 생성부; 및상기 정상 범위 밴드를 이용하여 상기 시계열 데이터를 보정하여 상기 시계열 데이터의 품질을 개선하는 품질 개선부를 포함하는 것인, 데이터 품질 개선 장치
|
2 |
2
제 1 항에 있어서, 상기 윈도우 구성부는 학습 시계열 데이터에서의 예측값에 대한 시차 및 시간 의존 정보를 고려하여 기설정된 복수의 시점별로 상기 학습 시계열 데이터를 특정 시점 이전에 관측된 값들로 이루어진 학습 관측 윈도우와, 상기 특정 시점 이후에 관측된 값들로 이루어진 학습 미래 윈도우로 구성하는 것인, 데이터 품질 개선 장치
|
3 |
3
제 2 항에 있어서, 상기 학습 관측 윈도우 및 상기 학습 미래 윈도우는 전후 시점의 고정된 범위를 포괄하는 슬라이딩 윈도우를 이용하여 기정의된 시간 간격만큼 이동하면서 복수의 데이터 값을 표현하는 것인, 데이터 품질 개선 장치
|
4 |
4
제 2 항에 있어서, 상기 학습 관측 윈도우를 학습 모델에 입력하여 상기 학습 모델을 통해 상기 학습 관측 윈도우의 이후에 등장할 예측 윈도우를 생성하고, 상기 생성된 예측 윈도우가 상기 학습 미래 윈도우와 유사해지도록 상기 학습 모델을 학습시키는 학습부를 더 포함하는 것인, 데이터 품질 개선 장치
|
5 |
5
제 4 항에 있어서, 상기 학습 모델은 LSTM-GAN 기반의 적대적 생성 구조를 갖는 학습 모델이고, 상기 LSTM-GAN 기반의 적대적 생성 구조를 갖는 학습 모델은 상기 학습 관측 윈도우 다음에 등장할 예측 윈도우를 생성하는 생성자와, 상기 생성된 예측 윈도우 및 상기 학습 미래 윈도우 사이의 정보를 판별하는 판별자를 포함하는 것인, 데이터 품질 개선 장치
|
6 |
6
제 1 항에 있어서, 상기 정상 범위 밴드 생성부는 상기 각 시점의 예측 윈도우의 값을 이용하여 시점별 중앙값 및 분산을 이용하여 정상 범위 밴드를 생성하는 것인, 데이터 품질 개선 장치
|
7 |
7
제 1 항에 있어서, 상기 품질 개선부는 상기 시계열 데이터에서 상기 정상 범위 밴드의 외부에 존재하는 값을 이상값으로 탐지하고, 상기 정상 범위 밴드의 경계 지점을 이용하여 상기 이상값을 조정하거나 상기 이상값으로 판정된 구간을 제외하는 것인, 데이터 품질 개선 장치
|
8 |
8
제 1 항에 있어서,상기 품질 개선부는 상기 시계열 데이터에서 관측되지 않은 결측값을 상기 정상 범위 밴드의 중앙값으로 대체하여 상기 시계열 데이터를 보정하는 것인, 데이터 품질 개선 장치
|
9 |
9
데이터 품질 개선 장치에 의해 수행되는 시계열 데이터의 품질을 개선하는 방법에 있어서, 기설정된 복수의 시점별로 상기 시계열 데이터를 관측 윈도우로 구성하는 단계; 기설정된 복수의 시점별 관측 윈도우를 순차적으로 기학습된 학습 모델에 입력하는 단계;상기 기학습된 학습 모델을 통해 생성된 각 시점의 관측 윈도우 다음에 예측되는 예측 윈도우의 값을 이용하여 정상 범위 밴드를 생성하는 단계; 및상기 정상 범위 밴드를 이용하여 상기 시계열 데이터를 보정하여 상기 시계열 데이터의 품질을 개선하는 단계를 포함하는 것인, 데이터 품질 개선 방법
|