KR100928621B1 - 부품 수요 예측 방법 및 시스템 - Google Patents

부품 수요 예측 방법 및 시스템 Download PDF

Info

Publication number
KR100928621B1
KR100928621B1 KR1020070113153A KR20070113153A KR100928621B1 KR 100928621 B1 KR100928621 B1 KR 100928621B1 KR 1020070113153 A KR1020070113153 A KR 1020070113153A KR 20070113153 A KR20070113153 A KR 20070113153A KR 100928621 B1 KR100928621 B1 KR 100928621B1
Authority
KR
South Korea
Prior art keywords
data
comparison
target
demand
group
Prior art date
Application number
KR1020070113153A
Other languages
English (en)
Other versions
KR20090047131A (ko
Inventor
손소영
문태희
김홍식
Original Assignee
연세대학교 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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020070113153A priority Critical patent/KR100928621B1/ko
Publication of KR20090047131A publication Critical patent/KR20090047131A/ko
Application granted granted Critical
Publication of KR100928621B1 publication Critical patent/KR100928621B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Abstract

부품 수요 예측 방법이 개시된다. 부품 수요 예측 방법은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 입력 받는 단계, 상기 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계 및 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계를 포함한다.
부품 수요, 예측, 선형 회귀 분석, 시간 구간, 데이터

Description

부품 수요 예측 방법 및 시스템{METHOD AND SYSTEM FOR FORECASTING PART DEMAND}
본 발명은 특정 부품에 대하여 미래에 발생할 수요를 예측하거나, 특정 객체의 미래 데이터를 예측하는 기술에 관한 것이다.
산업 현장에서 특정 부품 또는 물건에 대한 미래 수요량을 예측하는 것은 대단히 중요한 문제이다. 부정확하게 미래 수요량을 예측하는 경우, 경제적 또는 시간적 낭비가 커지기 때문이다.
예를 들어, 우산 및 우산 관련 부품은 계절에 따른 수요량 변동이 매우 크다. 즉, 비가 자주 내리는 여름철에 우산 및 우산 관련 부품의 수요량은 크게 증가할 것이나, 비가 거의 오지 않는 가을철에 그 수요량은 크게 감소할 것이다.
이 때, 여름철에 필요한 우산 및 우산 관련 부품에 대한 수요량을 정확히 예측한다면, 우산 및 우산 관련 부품의 과잉 생산으로 인한 비용 낭비를 크게 줄일 수 있을 것이다.
지금까지 특정 부품 또는 물건에 대해 미래 수요량을 예측하기 위한 다양한 기법들이 제시되어 왔다. 다만, 지금까지 제시된 기법은 기본적으로 미래 수요량 을 예측하고자 하는 특정 부품 또는 물건의 과거 수요량만을 기초로 미래 수요량을 예측하는 기법이었다. 이러한 기법을 통하여 미래 수요량을 예측하는 경우, 예측 정확도가 높지 않은 문제가 있었다.
특히, 예측하고자 하는 특정 부품 또는 물건의 과거 수요량에 대한 과거 데이터가 충분하지 않을 경우, 그 과거 데이터를 이용하여 미래 수요량을 예측하는 데에 어려움이 있었다.
따라서, 과거 데이터가 충분하지 않은 상황에서도 미래 데이터의 예측이 가능할 뿐만 아니라 예측 정확도를 향상시킬 수 있는 기술이 필요하다.
본 발명은 대상 부품의 과거 데이터뿐만 아니라 대상 부품과는 다른 비교 부품들의 수요에 대한 과거 데이터를 대상 부품의 미래 데이터를 예측하는 데에 이용함으로써 예측 정확도를 높일 수 있는 부품 수요 예측 방법 및 그 시스템을 제공한다.
또한, 본 발명은 비교 부품들의 수요에 대한 과거 데이터를 이용하여 대상 부품의 미래 데이터를 예측함으로써 대상 부품의 과거 데이터가 충분하지 않은 상황에서도 대상 부품의 미래 데이터를 예측할 수 있는 부품 수요 예측 방법 및 그 시스템을 제공한다.
본 발명의 일실시예에 따른 부품 수요 예측 방법은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 입력 받는 단계, 상기 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계 및 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 부품 수요 예측 시스템은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 비교 데이터 그룹 생성부, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 비교 대상 데이터 그룹 선택부 및 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 예측 데이터 생성부를 포함한다.
또한, 본 발명의 일실시예에 따른 데이터 예측 방법은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 데이터 예측 시스템은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 그룹 생성부, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비 교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 그룹 선택부, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 회귀 모형 생성부 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 예측 데이터 결정부를 포함한다.
본 발명은 대상 부품의 과거 데이터뿐만 아니라 대상 부품과는 다른 비교 부품들의 수요에 대한 과거 데이터를 대상 부품의 미래 데이터를 예측하는 데에 이용함으로써 예측 정확도를 향상시키는 부품 수요 예측 방법 및 그 시스템을 제공할 수 있다.
또한, 본 발명은 비교 부품들의 수요에 대한 과거 데이터를 이용하여 대상 부품의 미래 데이터를 예측함으로써 대상 부품의 과거 데이터가 충분하지 않은 상황에서도 대상 부품의 미래 데이터를 예측하는 부품 수요 예측 방법 및 그 시스템을 제공할 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 부품 수요 예측 방법을 나타낸 동작 흐름도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 부품 수요 예측 방법은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성한다(S110).
이 때, 비교 부품들의 수요에 대한 과거 데이터는 미리 데이터베이스에 저장될 수 있으며, 외부 장치 또는 사용자로부터 입력 받은 것일 수 있다.
예를 들어, 예측하고자 하는 대상 부품을 A라고 한다면, A와는 다른 B, C, D가 비교 부품들로 결정될 수 있다. 이 때, B, C, D 비교 부품들의 시간에 따른 수요량 등을 포함하는 과거 데이터들이 존재할 수 있다.
그리고, B, C, D 비교 부품들의 과거 데이터들은 시간 구간 별로 분류되어, B, C, D 비교 부품들 각각에 대한 복수의 비교 데이터 그룹들이 생성될 수 있다.
예를 들어, B 비교 부품의 과거 데이터는 다양한 시간 구간 별로 분류될 수 있다. 즉, B 비교 부품의 과거 데이터는 1월 ~ 3월, 2월 ~ 6월, 1월 ~ 5월, 6월 ~ 12월 등 다양한 시간 구간 별로 분류되어, 복수의 비교 데이터 그룹들이 생성될 수 있다. 마찬가지로, C, D 비교 부품들의 과거 데이터들도 시간 구간 별로 분류되어 C, D 비교 부품들 각각에 대한 복수의 비교 데이터 그룹들이 생성될 수 있다.
특히, 비교 데이터 그룹들은 다양한 시간 구간들로 분류될 수 있을 뿐만 아니라, 추후 자기회귀를 고려할 수 있도록 분류될 수 있다.
또한, 본 발명의 일실시예에 따른 부품 수요 예측 방법은 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 복수의 비교 데이터 그룹들 중 비교 대상 데이터 그룹을 선택한다(S120).
이 때, 비교 대상 데이터 그룹을 선택하는 단계(S120)는 복수의 비교 데이터 그룹들 중 대상 부품의 수요에 대한 과거 데이터의 변화 패턴과 유사한 변화 패턴을 가지는 적어도 하나의 그룹을 비교 대상 데이터 그룹으로 선택하는 단계일 수 있다.
또한, 본 발명의 일실시예에 따른 비교 대상 데이터 그룹을 선택하는 단계(S120)는 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 객체의 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하는 단계(S121)를 포함한다.
이 때, 증가 또는 감소 패턴은 '1' 또는 '0' 과 같은 업/다운 데이터로 표현될 수 있다.
예를 들어, 비교 부품 B의 과거 데이터가 시간 구간 별로 분류되어 10개의 비교 데이터 그룹들이 존재한다고 가정한다. 이 때, 미리 결정된 다수의 시점들에 대하여, 10개의 비교 데이터 그룹들 각각은 이전(previous) 시점과 대비하여 증가 또는 감소할 수 있다. 이 때, 증가 또는 감소 패턴에 따라 제1 업/다운 데이터가 생성될 수 있다.
마찬가지로, 대상 부품 A의 과거 데이터도 미리 결정된 다수의 시점들에 대하여, 이점 시점과 대비하여 증가 또는 감소하는 패턴을 가질 수 있고, 증가 또는 감소 패턴에 따라 제2 업다운 데이터가 생성될 수 있다.
또한, 본 발명의 일실시예에 다른 비교 대상 데이터 그룹을 선택하는 단계(S120)는 생성된 제1 업/다운 데이터 및 제2 업/다운 데이터를 이용하여 적어도 하나의 비교 대상 데이터 그룹을 결정하는 단계(S122)를 포함한다.
즉, 제1 업/다운 데이터는 비교 데이터 그룹들 각각의 변화 패턴을 나타내는 것이며, 제2 업/다운 데이터는 대상 부품의 과거 데이터의 변화 패턴을 나타낸다. 따라서, 제1 업/다운 데이터 및 제2 업/다운 데이터를 비교함으로써 복수의 비교 데이터 그룹들 중 대상 부품의 과거 데이터의 변화 패턴과 유사도가 높은 적어도 하나의 비교 대상 데이터 그룹이 결정될 수 있다.
또한, 본 발명의 일실시예에 따른 부품 수요 예측 방법은 비교 대상 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터를 기초로 대상 부품의 미래 예측 수요량과 관련된 예측 데이터를 생성한다(S130).
따라서, 본 발명의 일실시예에 따르면, 대상 부품의 과거 데이터뿐만 아니라 대상 부품과는 다른 비교 부품들의 비교 대상 데이터 그룹을 이용하여 선형 회귀 분석 기법을 적용함으로써, 보다 정확한 예측 데이터를 얻을 수 있다. 특히, 대상 부품의 과거 데이터가 충분히 존재하지 않는 경우에도 본 발명에 따르면 대상 부품의 예측 데이터를 생성할 수 있다.
이 때, 예측 데이터를 생성하는 단계(S130)는 선형 회귀 분석 기법을 이용하여 비교 대상 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 대상 부품의 예측 데이터를 생성하는 단계일 수 있다.
선형 회귀 분석 기법은 종속 변수와 독립 변수 사이의 관계가 선형 관계인 경우, 종속 변수와 독립 변수 사이의 인과 관계를 분석하는 통계 기법이다. 즉, 대상 부품의 수요에 대한 예측 데이터는 종속 변수에 대응되고, 비교 대상 데이터 그룹 및 대상 부품의 과거 데이터는 독립 변수에 대응된다.
이 때, 예측 데이터를 생성하는 단계(S130)는 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 예측 데이터를 생성하는 단계일 수 있다.
이 때, 대상 부품의 최적 유사성 지표는 대상 부품의 과거 수요량, 과거 수요 패턴, 대상 부품의 종류, 대상 부품이 사용되는 용도 등 대상 부품의 다양한 특성 등을 고려하여 결정될 수 있다.
결정된 최적 유사성 지표에 따라 대상 부품의 과거 데이터와 비교 데이터 그룹들의 유사성이 측정될 수 있다. 이 때, 유사성의 형태는 개념적으로 대상 부품의 과거 데이터와 비교 데이터 그룹들 사이에 수요량의 사이즈만 다른 제1 형태, 수요량의 추세가 다른 제2 형태, 수요량의 사이즈 및 추세가 다른 제3 형태, 역의 관계를 갖는 제4 형태 및 제1 형태 내지 제4 형태의 조합 등과 같은 다양한 형태를 가질 수 있다.
이 때, 측정된 대상 부품의 과거 데이터와 비교 데이터 그룹들 사이의 유사성의 형태는 추후 선형 회귀 분석 기법을 적용하여 회귀 모형을 생성하는 데에 고려될 수 있다. 예를 들어, 제1 형태는 절편을 추가함으로써 고려되며, 제4형태는 음의 회귀 계수에 의해 고려될 수 있다. 따라서, 보다 정확도 높은 예측 데이터가 생성될 수 있다.
또한, 본 발명의 일실시예에 따른 예측 데이터를 생성하는 단계(S130)는 선형 회귀 분석을 이용하여 비교 대상 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계(S131)를 포함한다.
이 때, 회귀 모형은 종속 변수(예측 데이터)와 독립 변수(비교 대상 데이터 그룹 및 대상 부품의 과거 데이터)의 관계를 수리적으로 나타낸 것이다. 따라서, 예측 데이터는 비교 대상 데이터 그룹의 함수로 표현될 수 있다.
또한, 본 발명의 일실시예에 따른 예측 데이터를 생성하는 단계(S130)는 생성된 적어도 하나의 회귀 모형을 이용하여 대상 부품의 예측 데이터를 결정하는 단계(S132)를 포함한다.
즉, 대상 부품의 과거 데이터가 존재하고, 복수의 비교 대상 데이터 그룹들이 존재할 수 있으므로, 대상 부품의 예측 데이터는 복수의 회귀 모형들로 나타낼 수 있다. 예를 들어, X, Y, Z 회귀 모형이 생성된 경우, X, Y, Z 회귀 모형 각각을 통하여 생성되는 예측 값들은 각각 다를 수 있다. 이 때, 예측 값들의 평균값 또는 중위수와 같이 예측 값들을 기초로 대상 부품의 예측 데이터가 생성될 수 있다.
또한, 도 1에 도시되지 아니하였으나, 본 발명의 일실시예에 따른 데이터 예측 방법은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형 을 생성하는 단계 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 단계를 포함한다.
이 때, 본 발명의 기술적 사상은 부품의 수요를 예측하는 데 적용될 수 있을 뿐만 아니라 다양한 분야에서 데이터를 예측하는 데에도 적용될 수 있다. 따라서, 상술한 설명을 통해 당업자라면, 본 발명의 부품 수요 예측 방법에 대한 상술한 설명으로부터 데이터 예측 방법을 용이하게 실시할 수 있다. 따라서, 본 발명의 데이터 예측 방법에 대한 설명은 생략하기로 한다.
본 발명에 따른 부품 수요 예측 방법 및 데이터 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
도 2는 본 발명의 복수의 비교 부품들의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.
도 2를 참조하면, A, B, C가 비교 부품들이며, 각각의 커브(curve)는 시간에 따른 각각의 비교 부품들의 수요에 대한 과거 데이터를 나타낸다.
A 비교 부품의 과거 데이터는 다양한 시간 구간 별로 분류될 수 있다. 예를 들어, A 비교 부품의 과거 데이터는 t1 ~ t4, t2 ~ t8, t3 ~ t6 등 다양한 시간 구간 별로 분류되어 복수의 비교 데이터 그룹들이 생성될 수 있다. 이 때, 비교 데이터 그룹 1은 A 비교 부품의 과거 데이터 중 t3 ~ t6 시간 구간에 해당하는 비교 데이터 그룹이다.
마찬가지로, 비교 데이터 그룹 2는 B 비교 부품의 t2 ~ t5 시간 구간에 해당하는 비교 데이터 그룹이고, 비교 데이터 그룹 3은 t5 ~ t8 시간 구간에 해당하는 비교 데이터 그룹이다.
이 때, 복수의 비교 데이터 그룹들 중 대상 부품의 과거 데이터와 유사한 변화 패턴을 갖는 그룹이 비교 대상 데이터 그룹으로 선택된다. 특히, 복수의 비교 데이터 그룹들의 패턴은 증가/감소 패턴에 따라 업/다운 데이터로 나타낼 수 있으며, 각각의 비교 데이터 그룹들의 업/다운 데이터와 대상 부품의 업/다운 데이터를 비교함으로써 적어도 하나의 비교 대상 데이터 그룹이 선택될 수 있다.
도 3은 본 발명의 비교 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.
도 3을 참조하면, 비교 데이터 그룹을 나타내는 커브와 대상 부품의 수요에 대한 과거 데이터를 나타내는 커브가 도시되어 있다.
이 때, tb 시점에서 비교 데이터 그룹의 값은 이전 시점인 tb 시점에서의 값보다 작으므로 업/다운 데이터는 '다운'을 의미하는 것으로 생성될 수 있다. 반대로, tc 시점에서 비교 데이터 그룹의 값은 이전 시점인 tb 시점에서의 값보다 크므로 업/다운 데이터는 '업'을 의미하는 것으로 생성될 수 있다.
마찬가지로, 대상 부품의 수요에 대한 과거 데이터에 상응하는 업/다운 데이터가 생성될 수 있다.
이 때, 도 3에 도시되지 아니하였으나, 복수의 비교 데이터 그룹들이 존재하므로, 복수의 비교 데이터 그룹들 각각에 대한 업/다운 데이터가 생성될 수 있다. 따라서, 복수의 비교 데이터 그룹들 각각에 대한 업/다운 데이터와 대상 부품의 수요에 대한 과거 데이터의 업/다운 데이터를 이용하여 대상 부품의 과거 데이터와 유사한 변화 패턴을 가지는 비교 데이터 그룹이 선택될 수 있다. 이 때, 선택된 비교 데이터 그룹은 비교 대상 데이터 그룹이다.
도 4는 본 발명의 일실시예에 따른 부품 수요 예측 시스템을 나타낸 블록도이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 부품 수요 예측 시스템은 비 교 데이터 그룹 생성부(410), 비교 대상 데이터 그룹 선택부(420) 및 예측 데이터 생성부(430)를 포함한다.
비교 데이터 그룹 생성부(410)는 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성한다.
또한, 비교 대상 데이터 그룹 선택부(420)는 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택한다.
이 때, 비교 대상 데이터 그룹 선택부(420)는 상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 부품의 수요에 대한 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하고, 생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정할 수 있다.
또한, 예측 데이터 생성부(430)는 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성한다.
이 때, 예측 데이터 생성부(430)는 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 상기 대상 부품의 예측 데이터를 생성할 수 있다.
이 때, 예측 데이터 생성부(430)는 상기 대상 부품의 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 선형 회귀 분석 기법을 이용하여 결정된 상기 최적 유사성 지표에 따라 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 기초로 상기 대상 부품의 예측 데이터를 생성할 수 있다.
또한, 도 4에 도시되지 아니하였으나, 본 발명의 일실시예에 따른 데이터 예측 시스템은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 그룹 생성부, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 그룹 선택부, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 회귀 모형 생성부 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 예측 데이터 결정부를 포함한다.
이 때, 상기 회귀 모형 생성부는 미리 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성할 수 있다.
본 발명의 데이터 예측 시스템에 대하여는 도 1 내지 도 3을 통하여 설명한 사항이 동일 또는 유사하게 적용될 수 있으므로, 이에 대한 상세한 설명은 생략한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
도 1은 본 발명의 일실시예에 따른 부품 수요 예측 방법을 나타낸 동작 흐름도이다.
도 2는 본 발명의 복수의 비교 부품들의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.
도 3은 본 발명의 비교 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 부품 수요 예측 시스템을 나타낸 블록도이다.

Claims (16)

  1. 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 입력 받는 단계;
    상기 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계;
    상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계; 및
    선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 상기 대상 부품의 예측 데이터를 생성하는 단계
    를 포함하는 것을 특징으로 하는 부품 수요 예측 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 대상 부품의 예측 데이터를 생성하는 단계는
    상기 대상 부품의 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 선형 회귀 분석 기법을 이용하여 결정된 상기 최적 유사성 지표에 따라 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계인 것을 특징으로 하는 부품 수요 예측 방법.
  4. 제1항에 있어서,
    상기 대상 부품의 예측 데이터를 생성하는 단계는
    선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계; 및
    생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 부품의 예측 데이터를 결정하는 단계
    를 더 포함하는 것을 특징으로 하는 부품 수요 예측 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계는
    상기 복수의 비교 데이터 그룹들 중 상기 대상 부품의 수요에 대한 과거 데 이터의 변화 패턴과 유사한 변화 패턴을 가지는 적어도 하나의 그룹을 상기 적어도 하나의 비교 대상 데이터 그룹으로 선택하는 단계인 것을 특징으로 하는 부품 수요 예측 방법.
  6. 제1항에 있어서,
    상기 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계는
    상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 부품의 수요에 대한 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하는 단계; 및
    생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정하는 단계
    를 포함하는 것을 특징으로 하는 부품 수요 예측 방법.
  7. 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계;
    상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계;
    선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계; 및
    생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 단계
    를 포함하는 것을 특징으로 하는 데이터 예측 방법.
  8. 제7항에 있어서,
    상기 적어도 하나의 회귀 모형을 생성하는 단계는
    미리 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계인 것을 특징으로 하는 데이터 예측 방법.
  9. 제7항에 있어서,
    상기 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계는
    상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 객체의 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하는 단계; 및
    생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정하는 단계
    를 포함하는 것을 특징으로 하는 데이터 예측 방법.
  10. 제1항, 제3항 내지 제9항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록 매체.
  11. 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 비교 데이터 그룹 생성부;
    상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 비교 대상 데이터 그룹 선택부; 및
    선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 상기 대상 부품의 예측 데이터를 생성하는 예측 데이터 생성부
    를 포함하는 것을 특징으로 하는 부품 수요 예측 시스템.
  12. 삭제
  13. 제11항에 있어서,
    상기 예측 데이터 생성부는
    상기 대상 부품의 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 선형 회귀 분석 기법을 이용하여 결정된 상기 최적 유사성 지표에 따라 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 기초로 상기 대상 부품의 예측 데이터를 생성하는 것을 특징으로 하는 부품 수요 예측 시스템.
  14. 제11항에 있어서,
    상기 비교 대상 데이터 그룹 선택부는
    상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 부품의 수요에 대한 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하고, 생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정하는 것을 특징으로 하는 부품 수요 예측 시스템.
  15. 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 그룹 생성부;
    상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 그룹 선택부;
    선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 회귀 모형 생성부; 및
    생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 예측 데이터 결정부
    를 포함하는 것을 특징으로 하는 데이터 예측 시스템.
  16. 제15항에 있어서,
    상기 회귀 모형 생성부는
    미리 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 것을 특징으로 하는 데이터 예측 시스템.
KR1020070113153A 2007-11-07 2007-11-07 부품 수요 예측 방법 및 시스템 KR100928621B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070113153A KR100928621B1 (ko) 2007-11-07 2007-11-07 부품 수요 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070113153A KR100928621B1 (ko) 2007-11-07 2007-11-07 부품 수요 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20090047131A KR20090047131A (ko) 2009-05-12
KR100928621B1 true KR100928621B1 (ko) 2009-11-26

Family

ID=40856671

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070113153A KR100928621B1 (ko) 2007-11-07 2007-11-07 부품 수요 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR100928621B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102591580B1 (ko) 2023-04-14 2023-10-19 진부현 공사 계획 정보 분석 기반 공사용 볼트의 수요 예측 및 재고 관리 방법, 장치 및 시스템

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101659293B1 (ko) * 2011-03-15 2016-09-26 한화테크윈 주식회사 유사모델의 기판 실장 레시피 통합 관리 장치 및 방법
CN111178624B (zh) * 2019-12-26 2023-10-20 浙江大学 一种新产品需求预测的方法
KR102332122B1 (ko) * 2020-07-28 2021-12-02 (주)엔키아 건축물 예측 모델 장치 및 건축물 예측 방법
KR102403331B1 (ko) * 2021-11-16 2022-05-30 이현규 소재/부품 재고관리 및 스마트 거래 시스템, 방법
KR102516197B1 (ko) * 2021-12-22 2023-03-30 호서대학교 산학협력단 반응표면분석을 이용한 수요예측 모델을 생성하기 위한 장치 및 이를 위한 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002073746A (ja) * 2000-08-30 2002-03-12 Honda Motor Co Ltd 部品在庫管理における需要予測方法
JP2006350883A (ja) * 2005-06-20 2006-12-28 Yaskawa Electric Corp 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002073746A (ja) * 2000-08-30 2002-03-12 Honda Motor Co Ltd 部品在庫管理における需要予測方法
JP2006350883A (ja) * 2005-06-20 2006-12-28 Yaskawa Electric Corp 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102591580B1 (ko) 2023-04-14 2023-10-19 진부현 공사 계획 정보 분석 기반 공사용 볼트의 수요 예측 및 재고 관리 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20090047131A (ko) 2009-05-12

Similar Documents

Publication Publication Date Title
JP6849915B2 (ja) 比較プログラム、比較方法および比較装置
KR100928621B1 (ko) 부품 수요 예측 방법 및 시스템
JP6974712B2 (ja) 探索方法、探索装置および探索プログラム
JP6697159B2 (ja) 機械学習管理プログラム、機械学習管理装置および機械学習管理方法
JP6555015B2 (ja) 機械学習管理プログラム、機械学習管理装置および機械学習管理方法
JP6536295B2 (ja) 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法
US20140115592A1 (en) Method for estimating job run time
KR102239464B1 (ko) 심층 구조를 이용한 전력 수요 예측 방법 및 장치
KR101982753B1 (ko) 열차사고 위험도 예측 장치 및 방법
JP2017228086A (ja) 機械学習管理プログラム、機械学習管理方法、および機械学習管理装置
US7483864B2 (en) Active learning method and system
KR102499240B1 (ko) 전력 수요 예측 방법 및 그 시스템
TW201537314A (zh) 控制機器之操作的方法及控制器
US11562294B2 (en) Apparatus and method for analyzing time-series data based on machine learning
JP2017146888A (ja) 設計支援装置及び方法及びプログラム
KR102662329B1 (ko) 자동학습 기반 시계열 데이터 예측 및 제어 방법 및 장치
JP5163472B2 (ja) パラメタ空間を分割してモデル化する設計支援装置、方法、及びプログラム
JP2020052459A (ja) 故障予知方法、故障予知装置および故障予知プログラム
KR101703972B1 (ko) 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법
US20060175393A1 (en) Analysis technique of computer system
JP5135803B2 (ja) 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法
KR20090123352A (ko) 주식 시세 예측 방법 및 이를 이용한 주식 시세 예측시스템
WO2019224909A1 (ja) パラメータ選択方法、パラメータ選択プログラム、及び情報処理装置
Luo et al. A prediction method based on improved ridge regression
JP2015228182A (ja) 変化点検出装置、変化点検出方法、及びコンピュータプログラム

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
FPAY Annual fee payment

Payment date: 20120921

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20130814

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20141014

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20160105

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20161208

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee