| 1 |
1
검색 시스템이, 시계열 데이터 셋을 기반으로 학습 데이터 셋을 구성하는 단계;검색 시스템이, 구성된 학습 데이터 셋을 이용하여 LSTM 모델의 데이터 학습을 수행하는 단계;검색 시스템이, 학습이 완료된 LSTM 모델에 시계열 데이터 셋을 적용하여 특징점이 추출되는 시계열 특징 데이터를 생성하는 단계;검색 시스템이, 생성되는 시계열 특징 데이터를 저장 축적하여 검색 데이터베이스를 구성하는 단계; 검색 시스템이, 새로운 시계열 데이터 셋을 입력 데이터로 활용하여 새로운 시계열 특징 데이터를 생성하는 단계; 및새로운 시계열 특징 데이터를 기반으로 유사 데이터 검색이 요청되면, 검색 시스템이 검색 데이터베이스를 기반으로 생성된 시계열 특징 데이터와 가장 유사한 데이터를 검색하는 단계;를 포함하고,학습 데이터 셋을 구성하는 단계는, 공장/공정/설비 단위의 시계열 데이터를 대상으로 패턴 및 사이클 주기의 동기화를 위한 데이터 전처리 작업을 수행하는 단계; 및데이터 전처리 작업 결과를 대상으로 데이터의 스케일을 샘플 사이즈와 통일시키기 위한 정규화 및 표준화 작업을 수행하는 단계;를 포함하며, 학습 데이터 셋을 구성하는 단계는,패턴 동기화를 위한 데이터 전처리 작업 수행 시, 시작 시간이 일치되도록 하고, 사이클 주기의 동기화를 위한 데이터 전처리 작업 수행 시, 공장/공정/설비에 따른 사이클 주기 데이터에 대한 데이터 전처리 작업이 수행되도록 하며, 패턴 및 사이클 주기의 동기화를 위한 데이터 전처리 작업이 수행되면, 공장/공정/설비의 패턴 입력 항목을 결정하여 표준화된 학습 데이터 셋이 구성되도록 하고,LSTM 모델의 데이터 학습을 수행하는 단계는,표준화된 학습 데이터 셋을 이용하여 LSTM 모델의 데이터 학습을 수행하기 위해, 결정된 패턴 입력 항목에 맞는 LSTM 모델의 알고리즘을 구성하며,LSTM 모델은, 데이터 학습 시, 복수 개의 데이터 셋이 입력되어, 1개의 선형 출력이 출력되는 알고리즘으로 구성되며,시계열 특징 데이터를 생성하는 단계는, 학습이 완료된 LSTM 모델에 공장/공정/설비 단위의 시계열 데이터 셋을 적용하여 1개의 선형 출력으로 출력되는 하나의 시계열 특징 데이터를 생성하고, 학습 데이터 셋을 구성하는 단계는, 각각의 공정에 대한 시간, 일간, 주간, 월간, 계절간 및 연간 단위의 시계열 데이터 각각을 대상으로 데이터 전처리 작업, 정규화 및 표준화 작업을 수행하여 시간, 일간, 주간, 월간, 계절간 및 연간 단위별 학습 데이터 셋을 구성하며, LSTM 모델의 데이터 학습을 수행하는 단계는,각각의 학습 데이터 셋을 개별적으로 적용하여 LSTM 모델의 데이터 학습을 수행함으로써, 시간, 일간, 주간, 월간, 계절간 및 연간 단위별로 학습된 각각의 LSTM 모델이 확보되도록 하며, 시계열 특징 데이터를 생성하는 단계는, 시간, 일간, 주간, 월간, 계절간 및 연간 단위별로 학습된 각각의 LSTM 모델에 시간, 일간, 주간, 월간, 계절간 및 연간 단위별 학습 데이터 셋을 각각 적용하여 시간, 일간, 주간, 월간, 계절간 및 연간 단위별로 시계열 특징 데이터를 생성하고,검색하는 단계는, 검색 데이터베이스에 축적된 기존 시계열 특징 데이터 집합의 특징 시계열 데이터와 생성된 시계열 데이터 집합의 특징 시계열 데이터의 정보량(엔트로피) 차이를 계산하여 정보량 차이가 가장 낮은 특징 데이터 집합을 찾아내고, 유사 패턴을 추출하는 것을 특징으로 하는 시계열 데이터 검색 방법
|
| 10 |
10
하나 이상의 시계열 특징 데이터로 구성되는 검색 데이터베이스를 저장하는 저장부; 및시계열 데이터 집합의 데이터 셋을 기반으로 학습 데이터 셋이 구성되도록 하고, 구성된 학습 데이터 셋을 이용하여 LSTM 모델의 데이터 학습을 수행하며, 학습이 완료된 LSTM 모델에 공장/공정/설비 시계열 데이터 셋을 적용하여 특징점이 추출되는 시계열 특징 데이터를 생성하여, 생성되는 시계열 특징 데이터가 저장부에 저장 축적되어 검색 데이터베이스가 구성되도록 하고, 새로운 시계열 데이터 셋을 입력 데이터로 활용하여 새로운 시계열 특징 데이터가 생성되고, 새로운 시계열 특징 데이터를 기반으로 유사 데이터 검색이 요청되면, 검색 데이터베이스를 기반으로 생성된 시계열 특징 데이터와 가장 유사한 데이터를 검색하는 프로세서;를 포함하며,프로세서는, 학습 데이터 셋을 구성하는 경우, 공장/공정/설비 단위의 시계열 데이터를 대상으로 패턴 및 사이클 주기의 동기화를 위한 데이터 전처리 작업을 수행하고, 데이터 전처리 작업 결과를 대상으로 데이터의 스케일을 샘플 사이즈와 통일시키기 위한 정규화 및 표준화 작업을 수행하며, 프로세서는, 패턴 동기화를 위한 데이터 전처리 작업 수행 시, 시작 시간이 일치되도록 하고, 사이클 주기의 동기화를 위한 데이터 전처리 작업 수행 시, 공장/공정/설비에 따른 사이클 주기 데이터에 대한 데이터 전처리 작업이 수행되도록 하며, 패턴 및 사이클 주기의 동기화를 위한 데이터 전처리 작업이 수행되면, 공장/공정/설비의 패턴 입력 항목을 결정하여 표준화된 학습 데이터 셋이 구성되도록 하고,프로세서는,LSTM 모델의 데이터 학습을 수행하는 경우, 표준화된 학습 데이터 셋을 이용하여 LSTM 모델의 데이터 학습을 수행하기 위해, 결정된 패턴 입력 항목에 맞는 LSTM 모델의 알고리즘을 구성하며,LSTM 모델은, 데이터 학습 시, 복수 개의 데이터 셋이 입력되어, 1개의 선형 출력이 출력되는 알고리즘으로 구성되며,프로세서는,시계열 특징 데이터를 생성하는 경우, 학습이 완료된 LSTM 모델에 공장/공정/설비 단위의 시계열 데이터 셋을 적용하여 1개의 선형 출력으로 출력되는 하나의 시계열 특징 데이터를 생성하고, 프로세서는, 학습 데이터 셋을 구성하는 경우, 각각의 공정에 대한 시간, 일간, 주간, 월간, 계절간 및 연간 단위의 시계열 데이터 각각을 대상으로 데이터 전처리 작업, 정규화 및 표준화 작업을 수행하여 시간, 일간, 주간, 월간, 계절간 및 연간 단위별 학습 데이터 셋을 구성하며, 프로세서는,LSTM 모델의 데이터 학습을 수행하는 경우, 각각의 학습 데이터 셋을 개별적으로 적용하여 LSTM 모델의 데이터 학습을 수행함으로써, 시간, 일간, 주간, 월간, 계절간 및 연간 단위별로 학습된 각각의 LSTM 모델이 확보되도록 하며, 프로세서는,시계열 특징 데이터를 생성하는 경우, 시간, 일간, 주간, 월간, 계절간 및 연간 단위별로 학습된 각각의 LSTM 모델에 시간, 일간, 주간, 월간, 계절간 및 연간 단위별 학습 데이터 셋을 각각 적용하여 시간, 일간, 주간, 월간, 계절간 및 연간 단위별로 시계열 특징 데이터를 생성하고,프로세서는,검색하는 경우, 검색 데이터베이스에 축적된 기존 시계열 특징 데이터 집합의 특징 시계열 데이터와 생성된 시계열 데이터 집합의 특징 시계열 데이터의 정보량(엔트로피) 차이를 계산하여 정보량 차이가 가장 낮은 특징 데이터 집합을 찾아내고, 유사 패턴을 추출하는 것을 특징으로 하는 시계열 데이터 검색 시스템
|
