KR100791951B1 - 케이스기반 예측방법 - Google Patents

케이스기반 예측방법 Download PDF

Info

Publication number
KR100791951B1
KR100791951B1 KR1020060046950A KR20060046950A KR100791951B1 KR 100791951 B1 KR100791951 B1 KR 100791951B1 KR 1020060046950 A KR1020060046950 A KR 1020060046950A KR 20060046950 A KR20060046950 A KR 20060046950A KR 100791951 B1 KR100791951 B1 KR 100791951B1
Authority
KR
South Korea
Prior art keywords
case
target
independent
variable
past
Prior art date
Application number
KR1020060046950A
Other languages
English (en)
Other versions
KR20070113558A (ko
Inventor
이훈영
Original Assignee
이훈영
경희대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이훈영, 경희대학교 산학협력단 filed Critical 이훈영
Priority to KR1020060046950A priority Critical patent/KR100791951B1/ko
Publication of KR20070113558A publication Critical patent/KR20070113558A/ko
Application granted granted Critical
Publication of KR100791951B1 publication Critical patent/KR100791951B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

과거의 케이스를 기반으로 하여 타겟케이스에 대한 미정의 타겟종속변수를 예측하는 방법에 있어서, (a) 예측시스템(100)이 복수개의 사례들에 대한 독립변수와 해당 독립변수들의 변화에 의존하는 종속변수를 정량적으로 측정하여 기반 케이스 DB(172)를 구축하는 단계; (b) 예측시스템(100)이 해결하고자하는 타겟종속변수가 부재된 타겟케이스의 타겟독립변수들을 외부로부터 해결과제로 수신하여, 내부 데이터 저장부(170)의 타겟케이스 DB(172)에 저장하는 단계; (c) 상기 예측시스템(100)의 독립변수 추출부(120)가 기구축된 상기 기반 케이스 DB(171)에서 해당 해결과제인 타겟케이스와 유사관계로 정의된 소정 개수의 유사 과거 케이스들을 추출하고, 해당 추출된 과거 케이스들로부터 해당 케이스를 구성하는 독립변수들을 추출하는 단계; (d) 상기 예측시스템(100)의 독립변수 선택부(130)가 과거 케이스들로부터 추출된 다수의 독립변수들 중에서, 예측하고자하는 타겟케이스의 타겟종속변수를 해결하기 위해 해당 해결과제인 타게케이스의 종속변수와 상관관계를 가지는 독립변수를 소정 개수 선정하는 단계; (e) 상기 예측 시스템(100)의 유사도 측정부(140)가 상기 선정된 독립변수를 이용하여 과거케이스들의 독립변수와 타겟케이스의 독립변수 사이의 정량적 유사도를 측정하는 단계; (f) 상기 예측 시스템(100)의 최적 케이스 개수 선택부(150)가 상기 측정된 과거케이스와 타겟케이스간의 독립변수간 유사도의 합을 이용하여, 예측에 사용되는 과거케이스 선정에 있어 상기 기선정된 과거케이스와 타겟케이스간의 유사도 합을 기선정된 과거케이스 간의 유사도 합으로 나누어 해당 값을 최대화하는 케이스의 개수를 결정하는 단계; 및 (g) 상기 예측 시스템(100)의 타겟종속변수 예측부(160)가 상기 예측용 과거케이스들의 유사도를 이용하여 해당 해결과제인 타겟케이스와의 유사도에 따라 타겟케이스의 종속변수를 산정하는 단계;를 포함하는 것을 특징으로 하는 것을 특징으로 한다.
예측시스템

Description

케이스기반 예측방법{ METHOD FOR PREDICTION USING CASE BASED }
도 1은 본 발명에 따른 케이스기반 예측시스템의 구성도.
도 2는 본 발명에 따른 케이스기반 예측시스템의 흐름도.
도 3은 본 발명의 일실시예 따른 과거 케이스들로부터 독립변수를 추출하는 것을 보여주는 도면.
도 4는 본 발명의 일실시예 따른 과거 케이스들로부터 독립변수들 중 타겟 종속변수와 상관관계 높은 독립변수를 선택하고 있는 도면
도 5는 본 발명의 일실시예 따른 타겟케이스와 과거케이스와의 유사도를 선형적으로 나타내는 도면.
도 6은 본 발명의 일실시예 따른 타겟케이스와 결합되는 최적의 과거케이스 개수를 나타내는 도면.
도 7은 본 발명의 일실시예 따른 타겟종속변수가 예측되는것을 타나내는 도면.
본 발명은 케이스기반 예측방법에 관한 것으로서, 더욱 상세하게는 케이스 간의 정확한 유사도를 측정하고 결합할 유사 케이스 개수를 결정하여 결합할 유사케이스에 대해 가중치를 주어 현 문제와 유사한 과거의 구체적인 에피소드로부터 문제해결을 위한 지식을 추론하고 예측할 수 있는 케이스기반 예측방법에 관한 것이다.
모든 분야가 매우 빠르게 변하고 복합적으로 연결되어있는 복잡한 현대사회에서 관리자들은 불완전한 정보를 가지고 신속한 의사결정을 내려야만 하는 상황에 직면하곤 한다.
그래서, 관리자들은 지속적으로 새로운 것을 학습하고 경험을 통해서 새로운 문제 봉착시, 과거에 경험하였거나, 학습한 유사한 문제들을 회상하여, 유사한 과거문제를 해결하였던 방법과 그 결과에 대하여 생각하고 현재의 문제를 비교하여 과거 문제를 해결하였던 방법의 적용 가능성을 생각한다.
이후, 과거의 문제해결 방법을 현재의 문제해결에 적합하도록 필요한 변형 후 적용하여 예상되는 결과를 상상하여보고, 적절한 문제해결 방법의 수정과 적용 결과에 대한 상상을 통하여 최종적인 방법을 선택하여 의사결정을 한다.
하지만, 관리자가 경험할 수 있는 케이스의 수는 제한되어 있고, 사람이기 때문에 경험이나 케이스를 기억하는 능력에 한계가 있으며, 많은 과거의 경험이나 학습내용은 시간이 지나면 망각된다는 문제점이 있다.
또한, 관리자는 사람으로서 정보처리 능력에 제한되어 있으며, 유사한 경험이나 케이스를 회상하는 과정이 부정확하고 상황에 따라 변하므로 일관성이 없으며, 관리자가 바라는 방향으로 편견을 가지고 유사케이스를 회상하고 판독할 가능 성이높아 과거의 유사한 경험을 완벽하게 복기하지 못한다는 문제점이 있다.
또한, 필요한 경험을 가진 구성원이 사람이기 때문에 시간과 장소에 따라 접근 가능성이 제한이 따르며, 경험이나 케이스가 구성원 각자의 능력이나 생각의 차이에 따라 다른 체계로 기억되어 있어서 해당 경험이나 케이스가 체계화되어있지 않다는 문제점이 있다.
또한, 각자의 경험은 조직의 구성원 간에 서로 공유하지 못해 구성원이 직장을 내에서 이동하거나 조직을 이탈할 경우 조직의 경험과 기억상의 손실이 따른다는 문제점이 있다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로서, 그 목적은 케이스 간의 정확한 유사도를 측정하고, 최적의 결합할 유사케이스의 개수를 결정하여, 결합할 유사케이스에 적당한 가중치를 부여함으로써 현 문제와 유사한 과거의 구체적인 케이스로부터 문제해결을 위한 지식을 추론하고 예측해 나가는 새로운 방식 즉, 유사한 과거 케이스를 이용하여 미래를 예측할 수 있는 케이스기반 예측방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명에 따른 케이스기반 예측방법은 (a) 예측시스템(100)이 복수개의 사례들에 대한 독립변수와 해당 독립변수들의 변화에 의존하는 종속변수를 정량적으로 측정하여 기반 케이스 DB(172)를 구축하는 단계; (b) 예측시스템(100)이 해결하고자하는 타겟종속변수가 부재된 타겟케이스의 타겟독립 변수들을 외부로부터 해결과제로 수신하여, 내부 데이터 저장부(170)의 타겟케이스 DB(172)에 저장하는 단계; (c) 상기 예측시스템(100)의 독립변수 추출부(120)가 기구축된 상기 기반 케이스 DB(171)에서 해당 해결과제인 타겟케이스와 유사관계로 정의된 소정 개수의 유사 과거 케이스들을 추출하고, 해당 추출된 과거 케이스들로부터 해당 케이스를 구성하는 독립변수들을 추출하는 단계; (d) 상기 예측시스템(100)의 독립변수 선택부(130)가 과거 케이스들로부터 추출된 다수의 독립변수들 중에서, 예측하고자하는 타겟케이스의 타겟종속변수를 해결하기 위해 해당 해결과제인 타게케이스의 종속변수와 상관관계를 가지는 독립변수를 소정 개수 선정하는 단계; (e) 상기 예측 시스템(100)의 유사도 측정부(140)가 상기 선정된 독립변수를 이용하여 과거케이스들의 독립변수와 타겟케이스의 독립변수 사이의 정량적 유사도를 측정하는 단계; (f) 상기 예측 시스템(100)의 최적 케이스 개수 선택부(150)가 상기 측정된 과거케이스와 타겟케이스간의 독립변수간 유사도의 합을 이용하여, 예측에 사용되는 과거케이스 선정에 있어 상기 기선정된 과거케이스와 타겟케이스간의 유사도 합을 기선정된 과거케이스간의 유사도 합으로 나누어 해당 값을 최대화하는 케이스의 개수를 결정하는 단계; 및 (g) 상기 예측 시스템(100)의 타겟종속변수 예측부(160)가 상기 예측용 과거케이스들의 유사도를 이용하여 해당 해결과제인 타겟케이스와의 유사도에 따라 타겟케이스의 종속변수를 산정하는 단계;를 포함하는 것을 특징으로 한다
바람직하게는, (d) 단계에서 과거케이스로부터 추출한 독립변수와 타겟케이 스의 종속변수와의 상관관계는 식
Figure 112006036678268-pat00001
에 의해 계산되는데,
여기에서,
Figure 112006036678268-pat00002
는 독립변수의 개수이고,
Figure 112006036678268-pat00003
는 독립변수들과 종속변수와의 상관관계이고,
Figure 112006036678268-pat00004
는 과거케이스의 독립변수
Figure 112006036678268-pat00005
와 종속변수
Figure 112006036678268-pat00006
와의 상관관계이며,
Figure 112006036678268-pat00007
는 독립변수
Figure 112006036678268-pat00008
와 독립변수
Figure 112006036678268-pat00009
과의 상관관계인 것을 특징으로 한다.
더욱 바람직하게는, 상기 타겟케이스의 종속변수와 과거 케이스의 독립변수들을 통하여 계산되는 상관관계치는 -1 내지 1 사이의 값을 갖는 것을 특징으로 한다.
더욱 바람직하게는, 상기 (f) 단계에서 최적 케이스 개수 선택부(150)에 의한 최적 케이스 선택시, 유사도가 높은 것을 우선순위로 하여 선택되는 것을 특징으로 한다.
더욱 바람직하게는, (g) 단계에서 타겟변수의 종속변수는 식
Figure 112006036678268-pat00010
에 의해서 측정되는데,
여기에서,
Figure 112006036678268-pat00011
는 타겟케이스에서 알고자 하는 타켓종속변수의 종합적인 추정치이고,
Figure 112006036678268-pat00012
는 과거케이스가 가진 유사한 케이스의 독립변수의 값이고,
Figure 112006036678268-pat00013
는 타겟케이스
Figure 112006036678268-pat00014
와 과거케이스 DB(172)에 있는 케이스
Figure 112006036678268-pat00015
와의 유사도인 것을 특징으로 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
이하에서 본 발명은 케이스 간의 정확한 유사도를 측정하고, 최적의 결합할 유사케이스의 개수를 결정하여, 결합할 유사케이스에 적당한 가중치를 부여함으로써 현 문제와 유사한 과거의 구체적인 케이스로부터 문제해결을 위한 지식을 추론하고 예측해 나가는 새로운 방식 즉, 유사한 과거 케이스를 이용하여 미래를 예측할 수 있는 케이스기반 예측방법을 바람직한 실시예로 설명할 것이나, 본 고안의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
도 1은 본 발명에 따른 케이스기반 예측시스템의 구성도이고, 도 2는 본 발명에 따른 케이스기반 예측시스템의 흐름도이고, 도 3은 본 발명의 일실시예 따른 과거 케이스들로부터 독립변수를 추출하는 것을 보여주는 도면이고, 도 4는 본 발명의 일실시예 따른 과거 케이스들로부터 독립변수들 중 타겟 종속변수와 상관관계 높은 독립변수를 선택하고 있는 도면이고, 도 5는 본 발명의 일실시예 따른 타겟케이스와 과거케이스와의 유사도를 선형적으로 나타내는 도면이고, 도 6은 본 발명의 일실시예 따른 타겟케이스와 결합되는 최적의 과거케이스 개수를 나타내는 도면이 고, 도 7은 본 발명의 일실시예 따른 타겟종속변수가 예측되는것을 타나내는 도면이다.
본 발명이 적용된 케이스기반 예측방법의 시스템(100)은 도 1에 도시된 바와 같이 제어부(110), 독립변수 측정부(120) 독립변수 선택부(130), 유사도 측정부(140), 최적 케이스 개수 추출부(150), 타겟종속변수 예측부(160) 및 데이터 저장부(170)를 포함한다.
상기 예측시스템(100)은 통신망을 경유하여 외부단말기로부터 타겟케이스에 대한 미정 타겟종속변수와 기정 타겟독립변수 정보가 입력되면 이를 수신하여 타겟케이스 DB(172)에 저장한다.
상기 독립변수 측정부(120)은 데이터 저장부(170)의 과거케이스 DB(161)에 저장된 과거케이스들로부터 독립변수를 측정한다.
상기 독립변수 선택부(130)는 과거 케이스들로부터 측정된 독립변수들 중에서 타겟케이스에 대한 타겟종속변수와의 상관관계를 계산하여, 상관관계치가 낮은 것은 삭제하고 상관관계치가 높은 것은 선택한다.
Figure 112006036678268-pat00016
상기 식 1에서
Figure 112006036678268-pat00017
는 독립변수의 개수이고,
Figure 112006036678268-pat00018
는 합성된 독립변수들과 종속변수와의 상관관계이고,
Figure 112006036678268-pat00019
는 독립변수
Figure 112006036678268-pat00020
와 종속변수
Figure 112006036678268-pat00021
와의 상관관계이며,
Figure 112006036678268-pat00022
는 독립변수
Figure 112006036678268-pat00023
와 독립변수
Figure 112006036678268-pat00024
과의 상관관계이다.
하지만, 상기 독립변수 선택부(130)는 타겟케이스의 타겟종속변수가 과거케이스 DB(171)에 저장된 과거케이스들이 가진 독립변수들 모두와 높은 상관관계에 있을 때, 각각의 케이스들이
Figure 112006036678268-pat00025
결합된 독립변수들과 타켓종속변수와의 상관관계를 최대화하는 독립변수들을 선정하기 위한 최적화 모형(수학식 2)에 넣어 가장 큰
Figure 112006036678268-pat00026
값을 가지는 독립변수의 개수를 선택한다.
Figure 112006036678268-pat00027
상기 식 2에서
Figure 112006036678268-pat00028
은 모든 가용한 매칭변수의 수이고,
Figure 112006036678268-pat00029
는 합성된 독립변수들과 종속변수와의 상관관계이고,
Figure 112006036678268-pat00030
는 독립변수
Figure 112006036678268-pat00031
와 종속변수
Figure 112006036678268-pat00032
와의 상관관계이고,
Figure 112006036678268-pat00033
은 독립변수
Figure 112006036678268-pat00034
와 독립변수
Figure 112006036678268-pat00035
과의 상관관계이고
Figure 112006036678268-pat00036
는 독립변수
Figure 112006036678268-pat00037
의 선택여부를 나타내는 이항변수이다.
이때, 상기
Figure 112006036678268-pat00038
는 독립변수
Figure 112006036678268-pat00039
가 매칭변수로 선택되면
Figure 112006036678268-pat00040
이고, 선택되지 않으면
Figure 112006036678268-pat00041
가 된다.
상기 유사도 측정부(140)는 상기 최적화 모형에 넣어 가장 큰
Figure 112006036678268-pat00042
값을 나타내는 독립변수를 가진 케이스들과 상기 타겟종속변수를 가진 타겟케이스와의 유사도를 측정한다.
상기 유사도는 유클리디안 거리를 통해 계산되는데 해당 유클리디안 거리를 계산한는 식은 아래의 수학식 3과 같다.
Figure 112006036678268-pat00043
이때, 상기 수학식 3에서
Figure 112006036678268-pat00044
는 다음의 수학식 4와 같다.
Figure 112006036678268-pat00045
상기 최적 케이스개수 선택부(150)는 선택되는 과거케이스와 타겟케이스간의 유사도 합을 선택되는 케이스들 간의 유사도 합으로 나눈 값이 최대화되는 과거케 이스들를 선택한다.
전술한 내용을 바탕으로 아래의 수학식 5가 표현되어 있다.
Figure 112006036678268-pat00046
이때, 상기 수학식 5는 유사도에 따라 케이스를 결합할때 보다 유사한 케이스가 덜 유사한 케이스보다 항상 우선권을 가진다는 아래의 수학식 6과 같은 제약조건을 가진다.
상기 수학식 5에서
Figure 112006036678268-pat00047
은 선택된 케이스의 개수이고,
Figure 112006036678268-pat00048
는 타겟케이스
Figure 112006036678268-pat00049
와 과거케이스
Figure 112006036678268-pat00050
사이의 유사도이고,
Figure 112006036678268-pat00051
는 과거케이스
Figure 112006036678268-pat00052
와 과거케이스
Figure 112006036678268-pat00053
사이의 유사도이며,
Figure 112006036678268-pat00054
는 과거케이스
Figure 112006036678268-pat00055
의 선택여부를 나타내는 변수이다.
Figure 112006036678268-pat00056
이때, 상기
Figure 112006036678268-pat00057
는 0 또는 1의 값을 택일적으로 가지며,
Figure 112006036678268-pat00058
는 0 이상 0.5 이하 의 값을 가진다.
상기 타겟종속변수 예측부(160)는 선택된 과거사례들에 가중치를 부여하여 예측하고자 하는 종속변수의 값을 후술되는 수학식 7을 통해 예측한다.
수학식 7은 유사도 비율로 각 유사 케이스의 독립변수를 가중하여 종합적인 예측치를 산출하는 모형이다.
Figure 112006036678268-pat00059
상기 수학식 7에서,
Figure 112006036678268-pat00060
는 타겟케이스에서 알고자 하는 타켓종속변수의 종합적인 추정치이고,
Figure 112006036678268-pat00061
는 과거케이스가 가진 유사한 케이스의 독립변수의 값이고,
Figure 112006036678268-pat00062
는 타겟케이스
Figure 112006036678268-pat00063
와 과거케이스 DB(172)에 있는 케이스
Figure 112006036678268-pat00064
와의 유사도 이다.
전술한 내용을 바탕으로 케이스기반 예측방법을 일실시예를 도 2내지 도 7을 통해 더욱 상세하게 설명한다.
도 3에서 보는 바와 같이 외부로부터 입력된 A라는 사람(이하 타겟케이스라 칭함)의 키(이하 타겟종속변수라 칭함)를 본 발명에 따른 케이스기반 예측 시스템을 통해 예측하고자할 때, 먼저, 예측시스템(100)이 타겟케이스의 타겟종속변수와 타겟독립변수 정보를 수신하는 단계를 수행한다(S10).
상기 독립변수 측정부(120)는 타겟케이스와 비슷한 과거의 케이스들을 케이스 DB(171)로부터 추출하는 단계를 수행한다(S20).
또한, 상기 독립변수 측정부(120)는 상기 단계에서 추출된 케이스들에 대한 독립변수들을 측정하는 단계를 수행한다(S30).
즉, 도 3에서 보면, 과거의 케이스는 A군과 체질이 비슷한 사람들에 해당되고, 과거의 케이스들로부터 측정된 몸무게, 허리둘레, 머리둘레, 손길이 및 안경착용 여부 등이 기정의 독립변수에 해당된다.
상기 독립변수 선택부(130)는 측정하고자 하는 타겟케이스의 타겟종속변수와 과거케이스의 독립변수들 간의 상관관계를 상기 수학식 1을 통해 측정하고, 그 결과 상관관계가 낮은 독립변수들은 삭제하고, 상관관계가 높은 독립변수들을 선택하는 단계를 수행한다(S40).
이때, 상기 독립변수 선택부(130)는 과거케이스들의 모든 독립변수들이 높은 상관관계에 있을때, 수학식 2의 Z 값을 최대화하는 독립변수를 선택해 몇 개의 독립변수를 이용해 타겟종속변수를 예측할 것인가를 결정하는 단계를 수행한다(S50).
도 4에서 Z의 값을 최대화하는 몸무게 및 손길이가 선택되었고, Z의 값을 최대화하지않는 머리둘레, 허리둘레 및 안경착용 여부가 선택되지 않았음을 알 수 있다.
상기 유사도 측정부(140)는 타겟케이스 DB(172)에 저장된 타겟케이스와 과거케이스 DB(171)에 저장된 과거의 다수케이스들 중에서 가장 유사한 케이스를 상기 수학식 3을 이용해 측정하는 단계를 수행한다(S60).
이때, 상기 수학식 3의
Figure 112006036678268-pat00065
는 상기 수학식 4와 같다.
상기 종속변수는 상기 수학식 3을 통해 측정된 유사도가 높은 과거케이스들의 독립변수들이 이용되어 측정되는데, 해당 독립변수들은 S50단계에서의 Z값을 최대화하는 값들이다.
본 발명에 따른 타겟종속변수를 측정하기 위해서 독립변수로 몸무게 및 손 길이가 이용된다.
도 5는 상기 유사도 측정부(140)가 Z값을 최대화하는 독립변수들 즉 몸무게 및 손 길이를 이용해 타겟케이스와 과거 케이스들과의 유사도를 측정한것을 나타내고 있다.
여기서, 예측하고자하는 타겟케이스의 타겟종속변수는 타겟케이스와 비교되는 과거케이스의 개수에 따라 정확하게 예측될 수도 있고 그렇지 않을 수도 있다.
따라서, 더욱 정확한 타겟케이스의 타겟종속변수를 측정하기 위해 상기 최적 케이스개수 추출부(150)는 수학식 5를 이용해 최적 개수의 케이스를 추출하는 단계를 수행한다(S70).
상기 S70 단계에서 수학식 6이 수학식 5의 제약조건이 되는데, 상기 수학식 6은 케이스 선택시 항상 유사도가 높은 것이 우선적으로 선택됨을 의미한다.
상기 수학식 5를 최대로 하는 값은 타겟케이스의 타겟종속변수를 예측할 때 이용되는 과거케이스의 개수가 된다.
도 6은 수학식 5를 최대로하는 값이 3임을 나타내고 있는데, 이는 타겟케이스의 타겟종속변수를 가장 정확하게 측정하기 위해 이용가능한 최적의 케이스의 개수가 3개임을 의미한다.
전술한 과정을 통해 과거케이스들이 가진 다수의 독립변수들 중에서 타겟케이스와의 상관관계가 높은 독립변수가 선택되고, 타겟케이스와의 유사도를 우선으로 하여 최적의 과거케이스 개수가 결정되면, 타게종속변수 예측부(160)는 수학식 7을 이용해 유사도 비율로 각 유사케이스의 종속변수를 가중하여 종합적인 예측치를 산출하는 단계를 수행한다(S80).
즉, 도 7은 수학식 3을 통해 계산된 유사도, 수학식 5를 통해 결정된 최적케이스개수 및 해당 케이스들의 기정된 종속변수 값을 통해 타겟케이스가 가진 미정의 타겟종속변수가 계산되는 것을 도시하고 있다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 한정되는 것이 아니다.
이상에서 살펴본 바와 같이, 본 발명에 따른 케이스기반 예측방법은 케이스 간의 정확한 유사도를 측정하고, 최적의 결합할 유사케이스의 개수를 결정하여, 결합할 유사케이스에 적당한 가중치를 부여함으로써 현 문제와 유사한 과거의 구체적인 케이스로부터 문제해결을 위한 지식을 추론하고 예측해 나가는 새로운 방식 즉, 유사한 과거 케이스를 이용하여 미래를 예측할 수 있는 효과가 있다.

Claims (5)

  1. 과거의 케이스를 기반으로 하여 타겟케이스에 대한 미정의 타겟종속변수를 예측하는 방법에 있어서,
    (a) 예측시스템(100)이 복수개의 사례들에 대한 독립변수와 해당 독립변수들의 변화에 의존하는 종속변수를 정량적으로 측정하여 기반 케이스 DB(172)를 구축하는 단계;
    (b) 예측시스템(100)이 해결하고자하는 타겟종속변수가 부재된 타겟케이스의 타겟독립변수들을 외부로부터 해결과제로 수신하여, 내부 데이터 저장부(170)의 타겟케이스 DB(172)에 저장하는 단계;
    (c) 상기 예측시스템(100)의 독립변수 추출부(120)가 기구축된 상기 기반 케이스 DB(171)에서 해당 해결과제인 타겟케이스와 유사관계로 정의된 소정 개수의 유사 과거 케이스들을 추출하고, 해당 추출된 과거 케이스들로부터 해당 케이스를 구성하는 독립변수들을 추출하는 단계;
    (d) 상기 예측시스템(100)의 독립변수 선택부(130)가 과거 케이스들로부터 추출된 다수의 독립변수들 중에서, 예측하고자하는 타겟케이스의 타겟종속변수를 해결하기 위해 해당 해결과제인 타게케이스의 종속변수와 상관관계를 가지는 독립변수를 소정 개수 선정하는 단계;
    (e) 상기 예측 시스템(100)의 유사도 측정부(140)가 상기 선정된 독립변수를 이용하여 과거케이스들의 독립변수와 타겟케이스의 독립변수 사이의 정량적 유사도를 측정하는 단계;
    (f) 상기 예측 시스템(100)의 최적 케이스 개수 선택부(150)가 상기 측정된 과거케이스와 타겟케이스간의 독립변수간 유사도의 합을 이용하여, 예측에 사용되는 과거케이스 선정에 있어 상기 기선정된 과거케이스와 타겟케이스간의 유사도 합을 기선정된 과거케이스간의 유사도 합으로 나누어 해당 값을 최대화하는 케이스의 개수를 결정하는 단계; 및
    (g) 상기 예측 시스템(100)의 타겟종속변수 예측부(160)가 상기 예측용 과거케이스들의 유사도를 이용하여 해당 해결과제인 타겟케이스와의 유사도에 따라 타겟케이스의 종속변수를 산정하는 단계;를 포함하되,
    상기 (f) 단계에서 최적 케이스 개수 선택부(150)에 의한 최적 케이스 선택시, 유사도가 높은 것을 우선순위로 하여 선택되는 것을 특징으로 하는 케이스기반 예측방법.
  2. 제 1항에 있어서,
    (d) 단계에서 과거케이스로부터 추출한 독립변수와 타겟케이스의 종속변수와의 상관관계는 식
    Figure 112006036678268-pat00066
    에 의해 계산되는데,
    여기에서,
    Figure 112006036678268-pat00067
    는 독립변수의 개수이고,
    Figure 112006036678268-pat00068
    는 독립변수들과 종속변수와의 상관관계이고,
    Figure 112006036678268-pat00069
    는 과거케이스의 독립변수
    Figure 112006036678268-pat00070
    와 종속변수
    Figure 112006036678268-pat00071
    와의 상관관계이 며,
    Figure 112006036678268-pat00072
    는 독립변수
    Figure 112006036678268-pat00073
    와 독립변수
    Figure 112006036678268-pat00074
    과의 상관관계인 것을 특징으로 하는 케이스기반 예측방법.
  3. 제 1항 또는 2항에 있어서,
    상기 타겟케이스의 종속변수와 과거 케이스의 독립변수들을 통하여 계산되는 상관관계치는 -1 내지 1 사이의 값을 갖는 것을 특징으로 하는 케이스기반 예측방법.
  4. 삭제
  5. 제 1항에 있어서,
    (g) 단계에서 타겟변수의 종속변수는 식
    Figure 112006036678268-pat00075
    에 의해서 측정되는데,
    여기에서,
    Figure 112006036678268-pat00076
    는 타겟케이스에서 알고자 하는 타켓종속변수의 종합적인 추정치이고,
    Figure 112006036678268-pat00077
    는 과거케이스가 가진 유사한 케이스의 독립변수의 값이고,
    Figure 112006036678268-pat00078
    는 타겟케이스
    Figure 112006036678268-pat00079
    와 과거케이스 DB(172)에 있는 케이스
    Figure 112006036678268-pat00080
    와의 유사도인 것을 특징으로 하는 케이스기반 예측방법.
KR1020060046950A 2006-05-25 2006-05-25 케이스기반 예측방법 KR100791951B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020060046950A KR100791951B1 (ko) 2006-05-25 2006-05-25 케이스기반 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060046950A KR100791951B1 (ko) 2006-05-25 2006-05-25 케이스기반 예측방법

Publications (2)

Publication Number Publication Date
KR20070113558A KR20070113558A (ko) 2007-11-29
KR100791951B1 true KR100791951B1 (ko) 2008-01-04

Family

ID=39091364

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060046950A KR100791951B1 (ko) 2006-05-25 2006-05-25 케이스기반 예측방법

Country Status (1)

Country Link
KR (1) KR100791951B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101672500B1 (ko) 2010-08-12 2016-11-03 삼성전자주식회사 시공간 구조 기반의 확률 그래프 모델 학습 장치 및 방법
KR101383617B1 (ko) * 2012-08-09 2014-04-17 연세대학교 산학협력단 일사량 예측 방법 및 장치
CN103969412B (zh) * 2014-04-13 2015-11-11 北京工业大学 一种基于群决策案例推理的溶解氧浓度软测量方法
KR102332122B1 (ko) * 2020-07-28 2021-12-02 (주)엔키아 건축물 예측 모델 장치 및 건축물 예측 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0728780A (ja) * 1993-07-14 1995-01-31 Meidensha Corp 決定論的非線形データ予測装置
JPH11160453A (ja) 1997-11-28 1999-06-18 Mitsubishi Electric Corp 発雷事例検索装置
KR20030043678A (ko) * 2001-11-27 2003-06-02 가부시끼가이샤 와루도 매상 예측 장치 및 매상 예측 방법
KR20030047279A (ko) * 2001-12-10 2003-06-18 주식회사 포스코건설 실적데이타를 이용한 건설프로젝트용 사업비 견적 방법,이를 수행하는 자동견적시스템 및 기록매체

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0728780A (ja) * 1993-07-14 1995-01-31 Meidensha Corp 決定論的非線形データ予測装置
JPH11160453A (ja) 1997-11-28 1999-06-18 Mitsubishi Electric Corp 発雷事例検索装置
KR20030043678A (ko) * 2001-11-27 2003-06-02 가부시끼가이샤 와루도 매상 예측 장치 및 매상 예측 방법
KR20030047279A (ko) * 2001-12-10 2003-06-18 주식회사 포스코건설 실적데이타를 이용한 건설프로젝트용 사업비 견적 방법,이를 수행하는 자동견적시스템 및 기록매체

Also Published As

Publication number Publication date
KR20070113558A (ko) 2007-11-29

Similar Documents

Publication Publication Date Title
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
US7107187B1 (en) Method for modeling system performance
JP5867349B2 (ja) 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体
JP2001502831A (ja) 測定可能な時系列の統計的依存性の分類方法
KR20090020362A (ko) 배터리의 장기 특성 예측 시스템 및 방법
KR100791951B1 (ko) 케이스기반 예측방법
CN110309434A (zh) 一种轨迹数据处理方法、装置以及相关设备
CN111639798A (zh) 智能的预测模型选择方法及装置
WO2016148601A1 (ru) Способ определения вида двигательной активности человека и устройство для его осуществления
CN109816136A (zh) 设备保养预测系统及其操作方法
Pereira et al. A metamodel for estimating error bounds in real-time traffic prediction systems
Kulkarni et al. Mobidict: A mobility prediction system leveraging realtime location data streams
Питолин et al. Management of distributed energy systems on the basis of optimization methods and expert approaches
CN104462799B (zh) 基于生命早期性能的继电器个体工作寿命预测与筛选方法
Markant et al. Modeling choice and search in decisions from experience: A sequential sampling approach
JP4956381B2 (ja) トラヒック分析装置、方法、およびプログラム
JP6976985B2 (ja) 推定プログラムの作成方法、学習用データセットの作成方法、推定装置、推定プログラム、推定方法、及び、通信品質改善システム
JP2014063617A (ja) 蓄電池の残存価値格付け装置およびプログラム
Qu et al. Predictive spectrum sensing strategy based on reinforcement learning
CN115994588B (zh) 基于区块链与合同理论的数据处理方法、装置及设备
KR102584409B1 (ko) 인공지능 학습모델 성능저하 감지 방법 및 장치
Alkhatib et al. Realistic uncertainty estimation of the market value based on a Fuzzy-Bayesian sales comparison approach
CN115293465B (zh) 一种人群密度预测方法及系统
CN117828314B (zh) 充电枪绝缘电阻测试方法、装置、设备及存储介质
Baumann Adaptive sensor cooperation for predicting human mobility

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Publication of correction
FPAY Annual fee payment

Payment date: 20110720

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20120912

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee