1 |
1
시계열 데이터의 시간 간격에 기초하여 시계열 간격 데이터를 생성하고, 상기 시계열 데이터의 특징들 각각의 시간 간격에 기초하여 특징 간격 데이터를 생성하고, 상기 시계열 데이터를 전처리하는 전처리기; 및상기 시계열 간격 데이터, 상기 특징 간격 데이터, 및 상기 전처리된 시계열 데이터에 기초하여, 예측 결과를 생성하기 위한 예측 모델의 가중치 그룹을 생성하는 학습기를 포함하는 시계열 데이터 처리 장치
|
2 |
2
제1 항에 있어서,상기 시계열 데이터는, 복수의 시간들 각각에 대응되는 상기 특징들을 포함하고,상기 전처리기는, 상기 복수의 시간들 중 제1 시간과 상기 제1 시간에 선행하는 제2 시간 사이의 차이에 기초하여, 상기 제1 시간에 대응되는 상기 시계열 간격 데이터를 생성하고,상기 제1 시간에 대응되는 타겟 특징과 상기 제1 시간에 선행하는 상기 타겟 특징 사이의 시간 간격에 기초하여, 상기 제1 시간의 상기 타겟 특징에 대응되는 상기 특징 간격 데이터를 생성하는 시계열 데이터 처리 장치
|
3 |
3
제2 항에 있어서,상기 전처리기는,상기 제2 시간에 대응되는 상기 타겟 특징이 결측치이고, 상기 제2 시간에 선행하는 제3 시간에 대응되는 상기 타겟 특징이 존재하는 경우, 상기 제1 시간과 상기 제3 시간의 차이에 기초하여 상기 제1 시간의 상기 타겟 특징에 대응되는 상기 특징 간격 데이터를 생성하는 시계열 데이터 처리 장치
|
4 |
4
제3 항에 있어서,상기 전처리기는,상기 제2 시간과 상기 제3 시간의 차이에 기초하여 상기 제2 시간의 상기 타겟 특징에 대응되는 상기 특징 간격 데이터를 생성하는 시계열 데이터 처리 장치
|
5 |
5
제1 항에 있어서,상기 시계열 데이터의 복수의 시간들 중 최초 시간에 대응되는 상기 시계열 간격 데이터 및 상기 특징 간격 데이터는 초기 값을 갖는 시계열 데이터 처리 장치
|
6 |
6
제1 항에 있어서,상기 전처리기는,상기 시계열 데이터의 결측치에 보간 값을 추가하여 상기 시계열 데이터를 전처리하고, 상기 결측치를 구분하는 마스킹 데이터를 더 생성하고,상기 학습기는,상기 마스킹 데이터에 더 기초하여 상기 가중치 그룹을 생성하는 시계열 데이터 처리 장치
|
7 |
7
제1 항에 있어서,상기 학습기는,상기 가중치 그룹의 제1 파라미터 그룹, 상기 특징 간격 데이터, 및 상기 전처리된 시계열 데이터에 기초하여 상기 특징들 각각의 특징 가중치를 계산하고, 상기 계산된 특징 가중치에 기초하여 상기 전처리된 시계열 데이터의 제1 학습 결과를 생성하는 특징 학습기;상기 가중치 그룹의 제2 파라미터 그룹, 상기 시계열 간격 데이터, 및 상기 제1 학습 결과에 기초하여 상기 시계열 데이터의 시간들 각각의 시계열 가중치를 계산하고, 상기 시계열 가중치에 기초하여 상기 전처리된 시계열 데이터의 제2 학습 결과를 생성하는 시계열 학습기; 및상기 제1 학습 결과 또는 상기 제2 학습 결과에 기초하여, 상기 제1 파라미터 그룹 또는 상기 제2 파라미터 그룹을 조절하는 가중치 제어기를 포함하는 시계열 데이터 처리 장치
|
8 |
8
제7 항에 있어서,상기 특징 학습기는,상기 전처리된 시계열 데이터 및 상기 특징 간격 데이터를 인코딩하여, 상기 특징들에 각각 대응되는 인코딩 데이터를 생성하는 특징 불규칙성 처리기;상기 인코딩 데이터에 상기 제1 파라미터 그룹을 부여하여, 상기 특징 가중치를 계산하는 특징 가중치 계산기; 및상기 계산된 특징 가중치에 상기 인코딩 데이터 또는 상기 특징 가중치 계산기의 중간 결과를 적용하여, 특징 적용 결과를 생성하는 특징 가중치 적용기; 및상기 시계열 데이터의 결측치에 기초하여 상기 특징 적용 결과를 처리함으로써, 상기 제1 학습 결과를 생성하는 결측치 처리기를 포함하는 시계열 데이터 처리 장치
|
9 |
9
제7 항에 있어서,상기 특징 학습기는,상기 특징들을 기준으로 상기 전처리된 시계열 데이터 및 상기 특징 간격 데이터를 분류하여 상기 특징들에 각각 대응되는 병합 데이터를 생성하고, 상기 병합 데이터를 인코딩하여 인코딩 데이터를 생성하고, 상기 인코딩 데이터에 상기 제1 파라미터 그룹을 부여하여 상기 특징 가중치를 계산하는 시계열 데이터 처리 장치
|
10 |
10
제7 항에 있어서,상기 특징 학습기는,상기 전처리된 시계열 데이터 및 상기 특징 간격 데이터를 병합하여 병합 데이터를 생성하고, 상기 병합 데이터를 인코딩하여 상기 특징들에 각각 대응되는 인코딩 데이터를 생성하고, 상기 인코딩 데이터에 상기 제1 파라미터 그룹을 부여하여 상기 특징 가중치를 계산하는 시계열 데이터 처리 장치
|
11 |
11
제7 항에 있어서,상기 시계열 학습기는,상기 시간 간격 데이터를 인코딩하는 시계열 불규칙성 처리기;상기 인코딩된 시간 간격 데이터 및 상기 제1 학습 결과에 상기 제2 파라미터 그룹을 부여하여, 상기 시계열 가중치를 계산하는 시계열 가중치 계산기; 및상기 계산된 시계열 가중치에 상기 제1 학습 결과 또는 상기 시계열 가중치 계산기의 중간 결과를 적용하여, 상기 제2 학습 결과를 생성하는 시계열 가중치 적용기를 포함하는 시계열 데이터 처리 장치
|
12 |
12
시계열 데이터의 시간 간격에 기초하여 시계열 간격 데이터를 생성하고, 상기 시계열 데이터의 특징들 각각의 시간 간격에 기초하여 특징 간격 데이터를 생성하고, 상기 시계열 데이터를 전처리하는 전처리기; 및상기 시계열 간격 데이터, 상기 특징 간격 데이터, 및 상기 전처리된 시계열 데이터에 기초하여, 상기 특징들 각각의 특징 가중치 및 상기 시계열 데이터의 시간 흐름에 의존하는 시계열 가중치를 생성하고, 상기 특징 가중치 및 상기 시계열 가중치에 기초하여 예측 결과를 생성하는 예측기를 포함하는 시계열 데이터 처리 장치
|
13 |
13
제12 항에 있어서,상기 예측기는,상기 특징 가중치에 기초하여 상기 전처리된 시계열 데이터의 제1 결과를 생성하는 특징 예측기;상기 시계열 가중치에 기초하여 상기 전처리된 시계열 데이터의 제2 결과를 생성하는 시계열 예측기; 및상기 제2 결과에 기초하여 타겟 시간에 대응되는 상기 예측 결과를 계산하는 결과 생성기를 포함하는 시계열 데이터 처리 장치
|
14 |
14
제13 항에 있어서,상기 전처리기는, 상기 시계열 데이터의 결측치에 보간 값을 추가하여 상기 시계열 데이터를 전처리하고, 상기 결측치를 구분하는 마스킹 데이터를 더 생성하고,상기 특징 예측기는,상기 특징 간격 데이터 및 상기 전처리된 시계열 데이터를 인코딩하여, 인코딩 데이터를 생성하는 특징 불규칙성 처리기;상기 인코딩 데이터에 예측 모델을 적용하여 상기 특징 가중치를 생성하는 특징 가중치 계산기;상기 특징 가중치에 상기 인코딩 데이터 또는 상기 예측 모델의 중간 결과를 적용하여, 특징 적용 결과를 생성하는 특징 가중치 적용기; 및상기 특징 적용 결과에 상기 마스킹 데이터를 적용하여, 상기 제1 결과를 생성하는 결측치 처리기를 포함하는 시계열 데이터 처리 장치
|
15 |
15
제13 항에 있어서,상기 시계열 예측기는,상기 시계열 간격 데이터를 인코딩하는 시계열 불규칙성 처리기;상기 인코딩된 시계열 간격 데이터 및 상기 제1 결과에 예측 모델을 적용하여 상기 시계열 가중치를 생성하는 시계열 가중치 계산기; 및상기 시계열 가중치에 상기 제1 결과 또는 상기 예측 모델의 중간 결과를 적용하여 상기 제2 결과를 생성하는 시계열 가중치 적용기를 포함하는 시계열 데이터 처리 장치
|
16 |
16
제12 항에 있어서,상기 예측기는,상기 특징 간격 데이터 및 상기 전처리된 시계열 데이터에 기초하여 상기 특징 가중치를 생성하는 특징 분석기;상기 시계열 간격 데이터 및 상기 전처리된 시계열 데이터에 기초하여 상기 시계열 가중치를 생성하는 시계열 분석기; 및상기 특징 가중치 및 상기 시계열 가중치에 상기 전처리된 시계열 데이터를 적용하여 상기 예측 결과를 생성하는 통합 가중치 적용기를 포함하는 시계열 데이터 처리 장치
|
17 |
17
제12 항에 있어서,상기 시계열 데이터의 복수의 시간들 중 제1 시간에서 타겟 특징에 대한 값이 존재하고, 상기 제1 시간에 선행하는 제2 시간에서 상기 타겟 특징이 결측치인 경우, 상기 제1 시간에 대응되는 상기 시계열 간격 데이터는 상기 제1 시간의 상기 타겟 특징에 대응되는 특징 간격 데이터와 다른 시계열 데이터 처리 장치
|
18 |
18
시계열 데이터 처리 장치의 동작 방법에 있어서,시계열 데이터의 결측치에 보간 값을 추가하여 보간 데이터를 생성하는 단계;상기 시계열 데이터의 시간 간격에 기초하여 시계열 간격 데이터를 생성하는 단계;상기 시계열 데이터의 특징들 각각의 시간 간격에 기초하여 특징 간격 데이터를 생성하는 단계;상기 결측치에 기초하여 마스킹 데이터를 생성하는 단계;상기 보간 데이터 및 상기 특징 간격 데이터에 기초하여 상기 특징들 각각의 특징 가중치를 생성하는 단계;상기 특징 가중치 및 상기 마스킹 데이터에 기초하여 제1 결과를 생성하는 단계;상기 제1 결과 및 상기 시계열 간격 데이터에 기초하여 상기 시계열 데이터의 시간 흐름에 의존하는 시계열 가중치를 생성하는 단계; 및상기 시계열 가중치에 기초하여 제2 결과를 생성하는 단계를 포함하는 방법
|
19 |
19
제18 항에 있어서,상기 제2 결과에 기초하여, 상기 특징 가중치 또는 상기 시계열 가중치를 생성하기 위한 가중치 그룹을 조절하는 단계를 더 포함하는 방법
|
20 |
20
제18 항에 있어서,상기 제2 결과에 기초하여, 타겟 시간에 대응되는 예측 결과를 계산하는 단계를 더 포함하는 방법
|