| 1 |
1
시계열 데이터 기반 미래 상태와 신뢰도 예측 방법에서, 과거 상태 데이터를 전처리하는 단계;전처리된 상기 과거 상태 데이터를 기초로 알고리즘을 수행하여 학습 모델을 생성하는 단계; 현재 상태 데이터를 전처리하는 단계; 및생성된 상기 학습 모델, 전처리된 현재 상태 데이터 및 전처리된 상기 과거 상태 데이터를 기초로 알고리즘을 수행하여 미래 상태를 예측하는 단계를 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 2 |
2
제 1 항에 있어서, 상기 과거 상태 데이터를 전처리하는 단계는 상기 과거 데이터의 이상치를 제거하는 단계; 및상기 과거 데이터의 시계열 길이를 계산하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 3 |
3
제 1 항에 있어서, 상기 학습 모델을 생성하는 단계는,전처리된 과거 상태 데이터를 기초로 상기 학습 모델의 학습 방향을 조절하는 단계;학습 반복 횟수, 모델의 크기 및 알고리즘 중 적어도 하나를 기초로 상기 학습 모델의 구조를 생성하는 단계; 및상기 생성된 학습 모델의 구조에 불안정성을 더하여 학습 모델을 생성하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 4 |
4
제 3 항에 있어서, 상기 불안정성을 더하여 학습 모델을 생성하는 단계는 백분율 불안정성 및 특정 임계점 기준 불안정성 중 적어도 하나를 이용하여 학습 모델을 생성하는, 미래 상태와 신뢰도 예측 방법
|
| 5 |
5
제 1 항에 있어서, 상기 알고리즘을 수행하여 미래 상태를 예측하는 단계는 상기 학습 모델의 구조를 생성하는 단계;상기 전처리된 과거 상태 데이터의 시계열 특성을 상기 학습 모델에 반영하는 알고리즘을 적용하는 단계; 상기 전처리된 과거 상태 데이터의 예측 시점을 처리하는 단계; 환경 조건 특성을 모델링하여 상기 전처리된 과거 상태 데이터에 적합한 특성을 적용하는 단계; 및상기 전처리된 과거 상태 데이터의 시계열 특성을 기초로 미래 상태를 예측하는 과정에서 불안정성을 계산하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 6 |
6
제 5 항에 있어서, 상기 환경 조건 특성을 모델링하여 상기 전처리된 과거 상태 데이터에 적합한 특성을 적용하는 단계; 상기 전처리된 과거 상태 데이터의 복합 분포를 생성하는 단계;생성된 복합 분포를 기초로 상기 복합 분포 샘플링을 생성하는 단계; 및생성된 상기 복합 분포 샘플링을 기초로 미래 상태를 생성하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 7 |
7
제 5 항에 있어서, 상기 전처리된 과거 상태 데이터의 예측 시점을 처리하는 단계는 입력 데이터에 변화율을 추정하는 함수를 딥러닝을 통해 학습하는 단계; 및학습된 상기 함수를 이용하여 예측 시점에 따른 변화율 추정 함수를 계산하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 8 |
8
제 5 항에 있어서, 상기 불안정성을 계산하는 단계는 시계열 불안정성, 시점 불안정성 및 분포 복잡도 불안정성 중 적어도 하나를 딥러닝과 가중치 합을 이용하여 불안정성을 계산하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 9 |
9
제 1 항에 있어서, 상기 미래 상태를 예측하는 단계는 사용자가 예측을 원하는 미래 시점을 수신하여 예측 시점을 계산하는 단계; 및상기 예측 시점 및 상기 학습 학습 모델을 기초로 알고리즘을 수행하여 사용자의 미래 상태를 예측하는 단계를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 10 |
10
제 9 항에 있어서, 상기 미래 상태를 예측하는 단계는 상기 미래 상태의 신뢰도, 상기 미래 상태의 예측 근거 및 불안정성 중 적어도 하나를 더 포함하는, 미래 상태와 신뢰도 예측 방법
|
| 11 |
11
시계열 데이터 기반 미래 상태와 신뢰도 예측 장치에서, 과거 상태 데이터 및 현재 상태 데이터 중 적어도 하나를 전처리하는 시계열 특징 전처리부;전처리된 상기 과거 상태 데이터를 기초로 알고리즘을 수행하여 학습 모델을 생성하는 미래 상태 예측 모델 학습부;생성된 상기 학습 모델, 전처리된 현재 상태 데이터 및 전처리된 상기 과거 상태 데이터를 기초로 알고리즘을 수행하여 미래 상태를 예측하는 미래 상태 예측부를 포함하는, 미래 상태와 신뢰도 예측 장치
|
| 12 |
12
제 11 항에 있어서, 시계열 특징 전처리부는 상기 과거 데이터의 이상치를 제거하는 이상치 처리기; 및상기 과거 데이터의 시계열 길이를 계산하는 시계열 길이 연산기를 더 포함하는, 미래 상태와 신뢰도 예측 장치
|
| 13 |
13
제 11 항에 있어서, 미래 상태 예측 모델 학습부는전처리된 과거 상태 데이터를 기초로 상기 학습 모델의 학습 방향을 조절하는 다중 시점 생성기;학습 반복 횟수, 모델의 크기 및 알고리즘 중 적어도 하나를 기초로 상기 학습 모델의 구조를 생성하는 시계열 모델 학습기; 및상기 생성된 학습 모델의 구조에 불안정성을 더하여 학습 모델을 생성하는 불안정성 계산기를 더 포함하는, 미래 상태와 신뢰도 예측 장치
|
| 14 |
14
제 13 항에 있어서, 상기 불안정성 계산기는 백분율 불안정성 및 특정 임계점 기준 불안정성 중 적어도 하나를 이용하여 학습 모델을 생성하는, 미래 상태와 신뢰도 예측 장치
|
| 15 |
15
제 11 항에 있어서, 알고리즘 계산부를 더 포함하고, 상기 알고리즘 계산부는, 상기 학습 모델의 구조를 생성하는 모델 변수 설정기;상기 전처리된 과거 상태 데이터의 시계열 특성을 상기 학습 모델에 반영하는 알고리즘을 적용하는 시계열 특성 처리기;상기 전처리된 과거 상태 데이터의 예측 시점을 처리하는 시점 특성 처리기;환경 조건 특성을 모델링하여 상기 전처리된 과거 상태 데이터에 적합한 특성을 적용하는 환경 특성 처리기; 및상기 전처리된 과거 상태 데이터의 시계열 특성을 기초로 미래 상태를 예측하는 과정에서 불안정성을 계산하는 불안정성 처리기를 더 포함하는, 미래 상태와 신뢰도 예측 장치
|
| 16 |
16
제 15 항에 있어서, 상기 환경 특성 처리기는상기 전처리된 과거 상태 데이터의 복합 분포를 생성하고, 생성된 복합 분포를 기초로 상기 복합 분포 샘플링을 생성하고, 생성된 상기 복합 분포 샘플링을 기초로 미래 상태를 생성하는,미래 상태와 신뢰도 예측 장치
|
| 17 |
17
제 15 항에 있어서, 상기 시점 특성 처리기는 입력 데이터에 변화율을 추정하는 함수를 딥러닝을 통해 학습하고, 학습된 상기 함수를 이용하여 예측 시점에 따른 변화율 추정 함수를 계산하는,미래 상태와 신뢰도 예측 장치
|
| 18 |
18
제 15 항에 있어서, 상기 불안정성 처리기는시계열 불안정성, 시점 불안정성 및 분포 복잡도 불안정성 중 적어도 하나를 딥러닝과 가중치 합을 이용하여 불안정성을 계산하는,미래 상태와 신뢰도 예측 장치
|
| 19 |
19
제 11 항에 있어서, 상기 미래 상태 예측부는 사용자가 예측을 원하는 미래 시점을 수신하여 예측 시점을 계산하고, 상기 예측 시점 및 상기 학습 학습 모델을 기초로 알고리즘을 수행하여 사용자의 미래 상태를 예측하는,미래 상태와 신뢰도 예측 장치
|
| 20 |
20
시계열 데이터 기반 미래 상태와 신뢰도 예측 장치에서, 외부 장치와 과거 데이터 및 현재 데이터를 송수신하는 송수신부;상기 과거 상태 데이터 및 상기 현재 상태 데이터 중 적어도 하나를 전처리하고, 전처리된 상기 과거 상태 데이터를 기초로 알고리즘을 수행하여 학습 모델을 생성하고,생성된 상기 학습 모델, 전처리된 현재 상태 데이터 및 전처리된 상기 과거 상태 데이터를 기초로 알고리즘을 수행하여 미래 상태를 예측하는 프로세서; 및상기 학습 모델 및 상기 미래 상태를 저장하는 메모리를 포함하는, 미래 상태와 신뢰도 예측 장치
|
