1 |
1
예측 대상에 대하여 관측된 시계열 데이터를 수집하는 모니터링부와; 예측 대상에 대한 입력과 출력 정보를 학습하는 학습 모듈과 상기 학습 모듈에 의해 학습되어 입력에 따른 예측 출력 정보를 제공하는 예측 모듈이 포함된 예측부와; 상기 모니터링부가 제공하는 시계열 데이터를 기반으로 상기 예측부의 예측 출력 정보와 관측 출력 정보의 시계열 예측 오차 샘플들을 산출하고, 상기 산출된 시계열 예측 오차 샘플들을 대상으로 2개의 겹치지 않는 슬라이딩 윈도우를 설정한 후 각 윈도우의 예측 오차들에 대한 에너지 거리를 비교하여 컨셉 드리프트 발생 여부를 감지하는 과정을 상기 윈도우들을 슬라이딩하면서 회귀적으로 수행함으로써 수집된 시계열 데이터에서 컨셉 드리프트 발생 위치를 확인하고, 컨셉 드리프트 발생 시 상기 예측부의 학습 모듈에 예측 모듈 갱신을 요청하는 컨셉 드리프트 검출부를 포함하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템
|
2 |
2
청구항 1에 있어서, 상기 컨셉 드리프트 검출부는 상기 모니터링부에서 수신되는 시계열 데이터로부터 예측 모듈 구성에 입력과 출력 정보로 사용되는 변수를 특징 벡터로 선별하는 특징 선별 모듈과; 상기 특징 선별 모듈에서 선별된 입력 특징 벡터를 예측 모듈에 제공하여 수신한 예측 출력 벡터와 상기 입력 특징 벡터에 대응되어 관측된 출력 특징 벡터를 기반으로 시계열 예측 오차 샘플들을 산출하는 성능 평가 모듈과; 상기 성능 평가 모듈로부터 수신한 시계열 예측 오차 샘플들을 크기 n의 비교 예측 오차 윈도우와 크기 m인 현재 예측 오차 윈도우로 나누어 각 윈도우에 포함된 오차 샘플들에 대한 에너지 거리를 에너지 통계로 산출하고, 이를 이용하여 귀무가설 검증을 위한 테스트 통계량을 계산하여 임계값과 비교한 후 테스트 통계량이 임계값보다 클 경우 귀무가설의 기각으로 판단하며, 귀무가설 기각 시 드리프트 발생에 따른 예측 모듈 갱신 요청을 상기 예측부에 제공하는 드리프트 검출부를 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템
|
3 |
3
청구항 2에 있어서, 상기 드리프트 검출부는 성능 평가 모듈로부터 수신한 시계열 예측 오차 샘플들로 이루어진 예측 오차 집합을 대상으로 각각 크기 n과 m의 비교 예측 오차 윈도우와 현재 예측 오차 윈도우로 구분하여 각각의 테스트 통계량을 산출한 후 이를 임계값과 비교하는 것으로 귀무가설을 검증하는 과정을, 상기 윈도우들을 상기 예측 오차 집합을 범위로 슬라이딩 방식으로 이동시키면서 반복하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템
|
4 |
4
청구항 3에 있어서, 상기 귀무가설 검증은 부트스트랩 기반 가설 테스트로 수행되며, 테스트 통계량의 값이 부트스트랩 기법에 의해 계산된 통계적으로 유의미한 임계값을 기준으로 귀무가설을 검증하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템
|
5 |
5
청구항 1에 있어서, 상기 예측부의 학습 모듈은 상기 컨셉 드리프트 검출부에서 예측 모듈 갱신을 요청받으면 미리 설정된 적응 학습 알고리즘에 따라 예측 모듈을 갱신하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템
|
6 |
6
청구항 1에 있어서, 상기 예측 모듈 및 적응적 학습 모듈에 적용되는 적응 학습 알고리즘은 PAL(Passive-aggressive learning) 학습법, 선형 회귀 모델이 적용된 OSGD(Online stochastic gradient descent) 학습법(OSGD-L), 심층 신경망이 적용된 OSGD 학습법(OSGD-D), 커널 회귀 모듈이 적용된 NOLK(Nonlinear Online Learning with Kernel) 학습법 중 하나인 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템
|
7 |
7
예측 대상으로부터 관측된 시계열 데이터를 기반으로 예측 모델 구성에 입력과 출력 정보로 사용되는 변수를 특징벡터로 선별하고, 미리 구성된 예측 모델을 통해 얻은 예측 출력 벡터와 실제 관측된 출력 벡터 간의 시계열 예측 오차 샘플들을 산출하고, 상기 산출된 시계열 예측 오차 샘플들을 대상으로 2개의 겹치지 않는 슬라이딩 윈도우를 설정한 후 각 윈도우의 예측 오차들에 대한 에너지 거리를 비교하여 컨셉 드리프트 발생 여부를 감지하는 과정을 상기 윈도우들을 슬라이딩하면서 회귀적으로 수행하되, 컨셉 드리프트 발생을 감지하면 상기 예측 모델에 대한 갱신을 요청하는 정보를 출력하는 컨셉 드리프트 검출 장치
|
8 |
8
청구항 7에 있어서, 상기 컨셉 드리프트 검출 장치는 예측 대상으로부터 관측된 시계열 데이터로부터 예측 모델 구성에 입력과 출력 정보로 사용되는 변수를 특징벡터로 선별하는 특징 선별 모듈과; 상기 특징 선별 모듈에서 선별된 입력 특징벡터를 미리 마련된 예측 모델에 제공하여 수신한 예측 출력 벡터와 상기 입력 특징벡터에 대응되어 관측된 출력 특징 벡터를 기반으로 시계열 예측 오차 샘플들을 산출하는 성능 평가 모듈과; 상기 성능 평가 모듈로부터 수신한 시계열 예측 오차 샘플들을 크기 n의 비교 예측 오차 윈도우와 크기 m인 현재 예측 오차 윈도우로 나누어 각 윈도우에 포함된 오차 샘플들에 대한 에너지 거리를 에너지 통계로 산출하고, 이를 이용하여 귀무가설 검증을 위한 테스트 통계량을 계산하여 임계값과 비교한 후 테스트 통계량이 임계값보다 클 경우 귀무가설의 기각으로 판단하며, 귀무가설 기각 시 드리프트 발생에 따른 예측 모델 갱신 요청 정보를 출력하는 드리프트 검출부를 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치
|
9 |
9
청구항 8에 있어서, 상기 드리프트 검출부는 성능 평가 모듈로부터 수신한 시계열 예측 오차 샘플들로 이루어진 예측 오차 집합을 대상으로 각각 크기 n과 m의 비교 예측 오차 윈도우와 현재 예측 오차 윈도우로 구분하여 각각의 테스트 통계량을 산출한 후 이를 임계값과 비교하는 것으로 귀무가설을 검증하는 과정을, 상기 윈도우들을 상기 예측 오차 집합을 범위로 슬라이딩 방식으로 이동시키면서 반복하는 것을 특징으로 하는 컨셉 드리프트 검출 장치
|
10 |
10
청구항 9에 있어서, 상기 귀무가설 검증은 부트스트랩 기반 가설 테스트로 수행되며, 테스트 통계량의 값이 부트스트랩 기법에 의해 계산된 통계적으로 유의미한 임계값을 기준으로 귀무가설을 검증하는 것을 특징으로 하는 컨셉 드리프트 검출 장치
|
11 |
11
예측 대상에 대한 입력과 출력 정보를 학습하여 입력에 따른 출력을 예측하는 예측 모듈을 마련하는 준비 단계와; 예측 대상에 대하여 관측된 시계열 데이터를 수집하는 관측 단계와; 상기 수집된 시계열 데이터를 기반으로 상기 예측 모듈의 예측 출력 정보와 관측 출력 정보의 시계열 예측 오차 샘플들을 산출하는 성능 평가 단계와; 상기 성능 평가 단계에서 산출된 시계열 예측 오차 샘플들을 대상으로 2개의 겹치지 않는 슬라이딩 윈도우를 설정한 후 각 윈도우의 예측 오차들에 대한 에너지 거리를 비교하여 컨셉 드리프트 발생 여부를 감지하는 과정을 상기 윈도우들을 슬라이딩하면서 회귀적으로 수행하는 드리프트 감지 단계와; 상기 드리프트 감지 단계에서 컨셉 드리프트 발생이 감지될 경우 상기 예측 모듈을 재학습하여 갱신하는 갱신 단계를 포함하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템의 예측 방법
|
12 |
12
청구항 11에 있어서, 상기 성능 평가 단계는 수집된 시계열 데이터로부터 예측 모듈 구성에 입력과 출력 정보로 사용되는 변수를 특징 벡터로 선별하고 선별된 입력 특징 벡터를 예측 모듈에 제공하여 수신한 예측 출력 벡터와 상기 입력 특징 벡터에 대응되어 관측된 출력 특징 벡터를 기반으로 시계열 예측 오차 샘플들을 산출하는 단계를 더 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템의 예측 방법
|
13 |
13
청구항 12에 있어서, 상기 드리프트 감지 단계는 상기 성능 평가 단계에서 산출된 시계열 예측 오차 샘플들을 크기 n의 비교 예측 오차 윈도우와 크기 m인 현재 예측 오차 윈도우로 나누는 윈도우 설정 단계와; 상기 각 윈도우에 포함된 오차 샘플들에 대한 에너지 거리를 에너지 통계로 산출하는 에너지 거리 산출 단계와; 상기 산출된 에너지 통계를 이용하여 귀무가설 검증을 위한 테스트 통계량을 계산하여 임계값과 비교한 후 테스트 통계량이 임계값보다 클 경우 귀무가설의 기각으로 판단하는 가설 검증 단계와; 상기 가설 검증 결과 귀무가설 기각 시 드리프트 발생에 따라 상기 예측 모듈을 갱신하는 갱신 단계와; 상기 가설 검증 단계 이후 상기 윈도우들의 위치를 슬라이딩 방식으로 이동 시킨 다음 상기 에너지 거리 산출 단계부터 다시 반복하도록 하는 회귀 수행 단계를 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템의 예측 방법
|
14 |
14
청구항 13에 있어서, 상기 회귀 수행 단계는 상기 윈도우 슬라이딩 위치가 상기 시계열 예측 오차 샘플들에 대해 미리 설정된 범위에 도달하는 경우 완료하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템의 예측 방법
|
15 |
15
청구항 13에 있어서, 상기 가설 검증 단계는 부트스트랩 기반 가설 테스트로 수행되며, 테스트 통계량의 값이 부트스트랩 기법에 의해 계산된 통계적으로 유의미한 임계값을 기준으로 귀무가설을 검증하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템의 예측 방법
|
16 |
16
청구항 11에 있어서, 상기 예측 모듈은 PAL(Passive-aggressive learning) 학습법, 선형 회귀 모델이 적용된 OSGD(Online stochastic gradient descent) 학습법(OSGD-L), 심층 신경망이 적용된 OSGD 학습법(OSGD-D), 커널 회귀 모듈이 적용된 NOLK(Nonlinear Online Learning with Kernel) 학습법 중 하나의 적응 학습 알고리즘이 적용된 예측 모델을 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치를 적용한 적응적 예측 시스템의 예측 방법
|
17 |
17
예측 대상에 대하여 관측된 시계열 데이터를 수집하는 관측 단계와; 상기 수집된 시계열 데이터를 기반으로 기 사용 중인 예측 모델의 예측 출력 정보와 관측 출력 정보의 시계열 예측 오차 샘플들을 산출하는 성능 평가 단계와; 상기 성능 평가 단계에서 산출된 시계열 예측 오차 샘플들을 대상으로 2개의 겹치지 않는 슬라이딩 윈도우를 설정한 후 각 윈도우의 예측 오차들에 대한 에너지 거리를 비교하여 컨셉 드리프트 발생 여부를 감지하는 과정을 상기 윈도우들을 슬라이딩하면서 회귀적으로 수행하는 드리프트 감지 단계와; 상기 드리프트 감지 단계에서 컨셉 드리프트 발생이 감지될 경우 상기 예측 모델에 대한 재학습을 요청하는 갱신 요청 단계를 포함하는 컨셉 드리프트 검출 장치의 컨셉 드리프트 검출 방법
|
18 |
18
청구항 17에 있어서, 상기 성능 평가 단계는 수집된 시계열 데이터로부터 예측 모델 구성에 입력과 출력 정보로 사용되는 변수를 특징 벡터로 선별하고 선별된 입력 특징 벡터를 예측 모델에 제공하여 수신한 예측 출력 벡터와 상기 입력 특징 벡터에 대응되어 관측된 출력 특징 벡터를 기반으로 시계열 예측 오차 샘플들을 산출하는 단계를 더 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치의 컨셉 드리프트 검출 방법
|
19 |
19
청구항 17에 있어서, 상기 드리프트 감지 단계는 상기 성능 평가 단계에서 산출된 시계열 예측 오차 샘플들을 크기 n의 비교 예측 오차 윈도우와 크기 m인 현재 예측 오차 윈도우로 나누는 윈도우 설정 단계와; 상기 각 윈도우에 포함된 오차 샘플들에 대한 에너지 거리를 에너지 통계로 산출하는 에너지 거리 산출 단계와; 상기 산출된 에너지 통계를 이용하여 귀무가설 검증을 위한 테스트 통계량을 계산하여 임계값과 비교한 후 테스트 통계량이 임계값보다 클 경우 귀무가설의 기각으로 판단하는 가설 검증 단계와; 상기 가설 검증 결과 귀무가설 기각 시 드리프트 발생에 따라 상기 예측 모델의 갱신을 요청하는 갱신 요청 단계와; 상기 가설 검증 단계 이후 상기 윈도우들의 위치를 슬라이딩 방식으로 이동 시킨 다음 상기 에너지 거리 산출 단계부터 다시 반복하도록 하는 회귀 수행 단계를 포함하는 것을 특징으로 하는 컨셉 드리프트 검출 장치의 컨셉 드리프트 검출 방법
|