| 1 |
1
시뮬레이션 수행을 위한 복수의 파라미터 정보를 전처리하는 전처리부;분류모델, 회귀모델 및 혼합모델을 하나 이상 이용하여 상기 전처리된 데이터의 시뮬레이션을 처리하는데 필요한 예측 시간 및 신뢰도를 예측하는 예측부;상기 예측부의 결과를 비교하여 최적의 결과를 선택하는 선택부; 및상기 시뮬레이션을 처리하는데 필요한 시간의 예측 결과 및 신뢰도와 함께 사용자에게 제공하는 출력부;를 포함하며,상기 혼합모델은 상기 분류모델과 상기 회귀모델을 함께 이용하고, 상기 분류모델 및 상기 회귀모델은 복수의 기계학습 모델로 구성되는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 2 |
2
제1항에 있어서,상기 전처리부는,상기 시뮬레이션 수행을 위한 상기 파라미터 정보를 상기 기계학습 모델에서 사용 가능하도록 이상치 및 중복되는 상기 파라미터를 제거하는 정렬부;상기 복수의 파라미터를 정규화하는 정규화부; 및 상기 시뮬레이션의 이전 실행 기록들의 평균 런타임으로 상기 시뮬레이션의 런타임을 변경하는 런타임 변환부;를 포함하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 3 |
3
제1항에 있어서,상기 시뮬레이션 정보를 관리하는 관리부를 더 포함하며,상기 관리부는 상기 파라미터 정보의 사용 이력을 저장하는 저장부;상기 저장부의 정보를 기반으로 파라미터 추천 서비스를 제공하는 추천부; 및상기 저장부의 정보를 기반으로 파라미터 랭킹 서비스를 제공하는 통계부;를 더 포함하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 4 |
4
제3항에 있어서,상기 저장부는 상기 파라미터 정보의 사용 이력을 작업 데이터와 원시 데이터로 구분하여 저장하며,상기 작업 데이터는 상기 시뮬레이션에서 사용된 상기 파라미터 정보를 세트 형태로 구성하여 저장하고, 상기 원시 데이터는 상기 시뮬레이션에서 사용된 파라미터 세트 이외의 사용 시간, 사용 날짜, 사용 횟수와 같은 이력 정보를 저장하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 5 |
5
제1항에 있어서, 상기 전처리된 데이터를 이용하여 상기 분류모델, 상기 회귀모델 및 상기 혼합모델을 학습하는 학습부를 더 포함하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 6 |
6
제1항에 있어서,상기 분류모델은 의사결정 트리 또는 k-NN(k-nearest neighbor) 방법 중 더 나은 신뢰도를 가지는 분류 모델을 선택하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 7 |
7
제1항에 있어서,상기 회귀모델은 의사결정 트리, 랜덤 포레스트(random forest), SVM (support vector machine) 기술을 모두 이용하여 각각의 예측 결과를 생성하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 8 |
8
제1항에 있어서,상기 선택부는,상기 회귀모델의 예측 시간 및 신뢰도와 상기 혼합모델의 예측 시간 및 신뢰도를 비교하여 최적의 결과를 선택하고,상기 출력부는 상기 선택부의 결과와 함께 상기 분류모델의 예측 시간 및 신뢰도를 함께 제공하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 장치
|
| 9 |
9
복수의 파라미터 정보를 전처리부가 시뮬레이션 수행을 위한 형태로 전처리하는 단계;계산부의 분류모델, 회귀모델 및 혼합모델을 하나 이상 이용하여 상기 전처리된 데이터의 시뮬레이션을 처리하는데 필요한 예측 시간 및 신뢰도를 계산하는 단계;선택부에서 상기 계산부의 결과를 비교하여 최적의 결과를 선택하는 단계; 및상기 선택된 최적의 결과를 사용자에게 제공하는 단계;를 포함하며,상기 혼합모델은 상기 분류모델과 상기 회귀모델을 함께 이용하고, 상기 분류모델 및 상기 회귀모델은 복수의 기계학습 모델로 구성되는 것을 특징으로 하는 시뮬레이션 실행시간 예측 방법
|
| 10 |
10
제9항에 있어서, 상기 전처리하는 단계는,상기 파라미터 정보를 상기 기계학습 모델에서 사용 가능하도록 이상치 및 중복되는 상기 파라미터를 제거하는 단계;상기 복수의 파라미터를 정규화하는 단계; 및상기 시뮬레이션의 이전 실행 기록들의 평균 런타임으로 상기 시뮬레이션의 런타임을 변경하는 단계;를 포함하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 방법
|
| 11 |
11
제9항에 있어서,예측 시간 및 신뢰도를 계산하는 단계는,상기 전처리된 데이터를 이용하여 상기 분류모델, 상기 회귀모델 및 상기 혼합모델을 학습하는 단계를 더 포함하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 방법
|
| 12 |
12
제9항에 있어서,상기 분류모델은 의사결정 트리 또는 k-NN(k-nearest neighbor) 방법 중 더 나은 신뢰도를 가지는 분류 모델을 선택하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 방법
|
| 13 |
13
제9항에 있어서,상기 회귀모델은 의사결정 트리, 랜덤 포레스트(random forest), SVM (support vector machine) 기술을 모두 이용하여 각각의 예측 결과를 생성하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 방법
|
| 14 |
14
제9항에 있어서,상기 결과를 선택하는 단계는,상기 회귀모델의 예측 시간 및 신뢰도와 상기 혼합모델의 예측 시간 및 신뢰도를 비교하여 최적의 결과를 선택하는 단계를 포함하고,상기 결과를 사용자에게 제공하는 단계는 상기 결과를 선택하는 단계의 결과와 함께 상기 분류모델의 예측 시간 및 신뢰도를 함께 제공하는 것을 특징으로 하는 시뮬레이션 실행시간 예측 방법
|
