KR102058124B1 - 피벗 테이블 구조의 olap 결과를 이용한 딥러닝 예측 데이터 반영 시스템 - Google Patents

피벗 테이블 구조의 olap 결과를 이용한 딥러닝 예측 데이터 반영 시스템 Download PDF

Info

Publication number
KR102058124B1
KR102058124B1 KR1020190031220A KR20190031220A KR102058124B1 KR 102058124 B1 KR102058124 B1 KR 102058124B1 KR 1020190031220 A KR1020190031220 A KR 1020190031220A KR 20190031220 A KR20190031220 A KR 20190031220A KR 102058124 B1 KR102058124 B1 KR 102058124B1
Authority
KR
South Korea
Prior art keywords
data
dimension
tree
node
pivot table
Prior art date
Application number
KR1020190031220A
Other languages
English (en)
Inventor
황선민
정성훈
박상우
공현규
박민규
Original Assignee
(주)비아이매트릭스
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 (주)비아이매트릭스 filed Critical (주)비아이매트릭스
Priority to JP2019093340A priority Critical patent/JP6997133B2/ja
Application granted granted Critical
Publication of KR102058124B1 publication Critical patent/KR102058124B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

OLAP(Online Analytical Processing) 분석에 따라 생성되는 피벗 테이블 구조의 데이터셋에 대하여, 시계열적 특성을 갖는 데이터셋을 검출하여 딥러닝 방식으로 예측하고, 예측된 데이터셋을 피벗 테이블 구조에 반영시키는, 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 관한 것으로서, 피벗 테이블 구조의 데이터 셋을 수신하는 데이터셋 수신부; 피벗 테이블 구조의 데이터셋에서 데이터 차원을 계층 구조로 가지는 행과 열의 차원 트리를 생성하는 차원 추출부; 상기 행과 열의 차원 트리를 결합하여 통합 트리를 생성하고, 통합 트리로부터 레코드 구조의 데이터셋을 형성하는 프레임 변환부; 레코드 구조의 데이터셋을 대상으로 딥러닝을 통해 예측하는 데이터 예측부; 및, 예측 데이터가 추가된 레코드 데이터셋을 상기 통합 트리를 재구성하고, 재구성된 통합 트리를 이용하여 피벗 테이블을 재구성하는 데이터 재구성부를 포함하는 구성을 마련한다.
상기와 같은 시스템에 의하여, 다차원 분석이 가능한 OLAP 결과에 미래의 예측 데이터를 추가하여 표시함으로써, 과거 데이터에 대한 다차원 분석뿐만 아니라 세분화된 미래 예측까지 제공하여 정확한 의사결정을 지원할 수 있다.

Description

피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템 { A system for adding deep-learning forecaset data by using an OLAP data with pivot table }
본 발명은 OLAP(Online Analytical Processing) 분석에 따라 생성되는 피벗 테이블 구조의 데이터셋에 대하여, 시계열적 특성을 갖는 데이터셋을 검출하여 딥러닝 방식으로 예측하고, 예측된 데이터셋을 피벗 테이블 구조에 반영시키는, 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 관한 것이다.
일반적으로, 온라인 분석 처리(Online Analytical Processing) 시스템, 즉, OLAP 시스템은 의사결정 지원 시스템의 대표적인 예로서, 데이터를 여러 기준(차원)을 이용하여 분석할 수 있는 다차원 분석을 할 수 있게 해준다.
종래 기술의 온라인 분석 처리 시스템은 이미 구축된 데이터를 다양한 측면에서 제공하여, 정형화된 형태로 제공해준다. 그러나 OLAP은 과거 데이터를 여러 기준으로 분석하여 현상을 이해할 수 있게 해 주지만, 미래에 대해 예측을 보여주지 못한다. 만약 데이터를 세분화하면서 데이터에 대한 미래 예측까지 보여줄 수 있다면 의사 결정하는데 도움이 될 것이다.
그런데 온라인 분석 처리 시스템은 다양한 측면(또는 다차원)에서 데이터를 보여주기 위하여, 통상 피벗 테이블 구조로 데이터셋을 표시해준다. 피벗 테이블은 가로축(행)과 세로축(컬럼)이 각각 차원 이름(항목명 등)으로 구성되고, 가로축(행)과 세로축(컬럼)이 만나는 셀이 데이터 영역으로 구성되는 테이블 형태이다. 즉, 피벗 테이블은 여러 차원(다차원)의 조합에 의해 데이터값을 나타내준다.
즉, OLAP 결과인 피벗 테이블(Tabular)의 구조는 다차원 구성에 따라 깊이와 형태가 변화한다. 피벗 테이블 구조 형태에서는 데이터에 대해 예측하기 어렵고, 데이터를 예측하더라도 그 예측 결과를 피벗 테이블 구조 형태에 반영하기 어렵다.
한국등록특허 제1034428호(2011.05.12.공고) 일본공개특허 제2002-007435호(2002.01.11.공고) 한국등록특허 제0969656호(2010.07.14.공고) 한국등록특허 제0424144호(2004.03.24.공고)
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, OLAP(Online Analytical Processing) 분석에 따라 생성되는 피벗 테이블 구조의 데이터셋에 대하여, 시계열적 특성을 갖는 데이터셋을 검출하여 딥러닝 방식으로 예측하고, 예측된 데이터셋을 피벗 테이블 구조에 반영시키는, 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템을 제공하는 것이다.
특히, 본 발명의 목적은 피벗 테이블 구조에서 계층 구조의 차원을 추출하고, 이를 이용하여, 피벗 테이블 구조의 데이터셋을 레코드 구조(또는 데이터 프레임 구조)의 데이터셋으로 재구성하고, 재구성된 데이터셋을 이용하여 딥러닝 예측을 수행하는, 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 관한 것으로서, 피벗 테이블 구조의 데이터 셋을 수신하는 데이터셋 수신부; 피벗 테이블 구조의 데이터셋에서 데이터 차원을 계층 구조로 가지는 행과 열의 차원 트리를 생성하는 차원 추출부; 상기 행과 열의 차원 트리를 결합하여 통합 트리를 생성하고, 통합 트리로부터 레코드 구조의 데이터셋을 형성하는 프레임 변환부; 레코드 구조의 데이터셋을 대상으로 딥러닝을 통해 예측하는 데이터 예측부; 및, 예측 데이터가 추가된 레코드 데이터셋을 상기 통합 트리를 재구성하고, 재구성된 통합 트리를 이용하여 피벗 테이블을 재구성하는 데이터 재구성부를 포함하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 차원 추출부는 상기 피벗 테이블의 행 차원과 열 차원의 계층 구조에 따라 각각 행의 차원 트리 및, 열의 차원 트리를 구성하되, 각 차원 트리의 루트 노드를 가상의 노드로 설정하고, 상기 피벗 테이블의 각 차원 이름을 하나의 노드에 대응시켜 각각의 노드를 생성하고, 상위 차원과 하위 차원의 관계에 따라 노드 간의 상위 및 하위 관계를 설정하고, 차원 트리의 각 노드가 차원 이름을 가지도록 설정하고, 차원의 상위 또는 하위 관계에 따라 각 노드를 상위 노드 또는 하위 노드로 계층적으로 구성하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 차원 추출부는 상기 차원 트리에서 상위 범주의 각 노드가 모두 동일한 하위 범주의 노드들을 가지도록 구성하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 차원 추출부는 메저를 갖는 차원 트리에 대해, 메저 노드에 데이터값을 가지는 데이터 노드를 연결하고, 상기 피벗 테이블의 데이터 영역의 메저의 데이터 셋의 개수만큼 차원 트리를 생성하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 프레임 변환부는 메저를 가지는 차원 트리를 하위 트리로 정하고 나머지 트리를 상위 트리로 정하여, 상위 트리의 리프 노드를 하위 트리의 루트 노드가 되도록, 2개의 차원 트리를 통합하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 프레임 변환부는 각 메저에 대하여 메저의 차원 이름들을 필드로 설정하고, 해당 필드의 필드값은 해당 메저들의 데이터값으로 정하고, 메저 노드의 상위 노드들의 범주로 필드를 설정하고, 해당 필드의 필드값은 해당 범주의 차원 이름으로 정하여, 메저 노드의 상위 노드들의 차원 이름과, 메저의 데이터값들로 하나의 레코드를 구성하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 데이터 예측부는 레코드 구조의 데이터셋에서, 시계열 데이터를 가지는 필드를 대상으로 다음 주기의 메저 필드의 데이터값을 예측하되, 시계열 차원을 제외한 나머지 차원의 조합별로 예측 데이터를 구하고, 시계열 차원의 데이터는 다음 주기로 하여 조합별로 예측한 데이터를 레코드로 형성하는 것을 특징으로 한다.
또, 본 발명은 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서, 상기 데이터 재구성부는 예측된 데이터의 레코드 구조의 데이터셋을 통합 트리에 반영하고, 통합 트리를 피벗 테이블 구조의 데이터셋으로 재구성하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 의하면, 다차원 분석이 가능한 OLAP 결과에 미래의 예측 데이터를 추가하여 표시함으로써, 과거 데이터에 대한 다차원 분석뿐만 아니라 세분화된 미래 예측까지 제공하여 정확한 의사결정을 지원할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 의하면, 피벗 테이블의 구조를 레코드 구조로 재구성하여 딥러닝 예측을 수행함으로써, 다차원 구성에 따라 깊이와 형태가 변화되어 예측하기 어려운 문제점을 극복할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템의 구성에 대한 블록도.
도 2는 본 발명의 일실시예에 따른 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 피벗 테이블에 대한 예시도.
도 4는 본 발명의 일실시예에 따른 행 차원 트리의 예시도.
도 5는 본 발명의 일실시예에 따른 열 차원 트리의 예시도.
도 6은 본 발명의 일실시예에 따른 하위 차원 트리의 인스턴스들에 대한 예시도.
도 7은 본 발명의 일실시예에 따른 합계 노드가 포함된 행 차원 트리의 예시도.
도 8은 본 발명의 일실시예에 따른 통합 트리에 대한 예시도.
도 9는 본 발명의 일실시예에 따른 합계 노드가 포함된 통합 트리에 대한 예시도.
도 10은 본 발명의 일실시예에 따른 레코드 구조의 데이터셋에 대한 예시도.
도 11은 본 발명의 일실시예에 따른 예측 데이터가 반영된 레코드 구조의 데이터셋에 대한 예시도.
도 12는 본 발명의 일실시예에 따른 예측 데이터가 반영된 통합 트리에 대한 예시도.
도 13은 본 발명의 일실시예에 따른 예측 데이터가 반영된 통합 트리로서, 합계 노드가 포함된 통합트리에 대한 예시도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 일례를 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명을 실시하기 위한 전체 시스템은 사용자 단말(10)에 설치되는 클라이언트(20), 데이터를 저장하는 데이터베이스(80), 데이터를 분석하여 분석 결과를 피벗 테이블 형태로 제공하는 분석 서버(50), 및, 피벗 테이블 구조의 데이터에 딥러닝 예측 데이터를 반영하여 재구성하는 예측반영 서버(30)로 구성된다. 또한, 사용자 단말(10)은 분석 서버(50) 또는 예측반영 서버(30)와 네트워크(미도시)로 연결된다.
먼저, 클라이언트(20)는 사용자 단말(10)에 설치되는 클라이언트용 프로그램 시스템으로서, 웹브라우저를 통해 사용자 인터페이스를 갖는다. 즉, 사용자는 웹브라우저 또는 웹브라우저와 같은 화면의 인터페이스를 통해, 온라인상으로 데이터 열람 및 분석 작업을 수행한다. 이때, 사용자 단말(10)은 사용자의 명령 등을 입력받아 해당 명령을 수행하고, 처리 결과를 화면 상 또는 웹브라우저 상에 표시한다.
한편, 사용자 단말(10)은 개인용 컴퓨터(PC), 노트북, 태블릿PC, 패블릿, PDA, 스마트폰 등 컴퓨팅 기능을 가지는 컴퓨터 단말이다. 사용자 단말(10)은 분석 서버(50) 또는 예측반영 서버(30)와 네트워크로 연결되어, 사용자 단말(10) 상의 클라이언트(20)는 온라인 상으로 데이터 처리 작업을 수행할 수 있다.
또한, 클라이언트(20)는 데이터 요청 및 분석 등 온라인 상으로 처리하는 작업을 분석 서버(50)에 요청하고, 그 분석 결과를 분석 서버(50)로부터 가져와서 웹브라우저 상에 표시한다. 특히, 클라이언트(20)는 데이터베이스(80)로부터 가져온 데이터셋을 피벗 테이블 형태로 표시한다.
또한, 클라이언트(20)는 피벗 테이블 구조의 데이터에 대하여 예측을 반영하도록 예측반영 서버(30)에 요청하고, 그 반영 결과를 예측반영 서버(30)로부터 가져와성 웹브라우저 상에 표시한다. 이때 예측 결과가 반영된 피벗 테이블 구조로 표시한다.
한편, 클라이언트(20)의 기능, 예를 들어, 데이터셋에 대한 분석 요청, 분석 결과의 피벗 테이블 형태의 표시, 피벗 테이블 데이터에 대한 예측 반영 및 재구성 요청과 그 결과 표시 등의 기능들은 웹브라우저의 웹 스크립트 기능에 의해 구현된다. 즉, HTML 5.0 등 웹 표준에 의한 스크립트에 의해 클라이언트(20)의 기능이 프로그램 시스템으로 구현될 수 있다.
다음으로, 데이터베이스(80)는 데이터를 저장하기 위한 통상의 데이터베이스(DB)로서, 데이터를 관리하기 위한 DBMS를 구비하고, 데이터의 저장, 삭제, 검색 등의 작업들을 쿼리(또는 쿼리문)를 통해 수행한다. 특히, 데이터베이스(80)는 상용화된 데이터베이스로서, 데이터셋을 처리하기 위한 일반적인 쿼리 기능을 이용하여, 데이터 쿼리 서비스를 수행한다.
특히, 데이터베이스(80)는 빅데이터를 저장하는 데이터베이스이다. 또한, 바람직하게는, 데이터베이스(80)는 관계형 데이터베이스(RDB)로 구성된다.
다음으로, 분석 서버(50)는 데이터베이스(80)로부터 데이터셋을 가져와서 피벗 테이블 구조의 분석 데이터(데이터 셋)를 생성하고, 이들 분석 결과 데이터를 클라이언트(20)로 전송하여 표시하게 한다. 바람직하게는, 클라이언트(20)의 요청에 따라 분석 작업을 수행하고 그 결과를 전송한다.
즉, 분석 서버(50)는 온라인 분석 처리(Online Analytical Processing)를 수행하는 통상의 OLAP 서버이다. 바람직하게는, 분석 결과는 피벗 테이블 구조로 구성된다. 피벗 테이블은 행과 열로 형성되어 데이터셋을 표시하는 데이터 영역과, 행의 일측(바람직하게는 좌측) 또는 열의 일단(바람직하게는 상단)에 형성되어 차원 이름을 표시하는 차원 영역으로 구성되는 테이블 형태이다. 데이터 영역의 셀에는 행과 열의 차원들의 조합에 의한 데이터값이나 통계치(예를 들어, 개수, 합계, 평균 등)가 입력되어 표시된다.
다음으로, 예측반영 서버(30)는 분석 서버(50)에서 분석된 분석 결과에 예측 데이터를 반영하고, 반영 결과 데이터를 클라이언트(20)로 전송하여 표시하게 한다. 바람직하게는, 클라이언트(20)의 요청에 따라 분석 작업을 수행하고 그 결과를 전송한다.
즉, 분석 서버(50)는 피벗 테이블 구조에서 행과 열의 계층 구조를 추출하고, 피벗 테이블 구조의 데이터를 레코드 구조의 데이터로 재구성하고, 재구성된 데이터를 이용하여 딥러닝 예측을 수행한다. 그리고 예측 결과를 반영한 레코드 구조의 데이터를 다시 피벗 테이블 구조로 재구성한다.
한편, 앞서 설명한 클라이언트(20)와 예측반영 서버(30)의 기능은 일례이고, 서버와 클라이언트의 구현 기술에 따라 다양하게 구현될 수 있다. 즉, 클라이언트(20)와 예측반영 서버(30)는 하나의 예측 반영 시스템으로서, 그 기능들이 성능에 따라 서로 분배될 수 있다. 예를 들어, 클라이언트(20)는 단순히 웹브라우저 기능과 인터페이스 기능만 가지고 있고, 모든 기능은 예측반영 서버(30)에서 구축될 수 있다. 즉, 예측반영 서버(30)는 피벗 테이블의 인터페이스 기능, 및, 레코드 구조의 재구성 기능 뿐만 아니라, 딥러닝 예측 기능을 모두 가질 수 있다. 또 다른 예로서, 예측반영 서버(30)는 딥러닝 예측 기능만을 가지고 있고, 클라이언트(20)에서 피벗 테이블의 인터페이스 기능, 및, 레코드 구조의 재구성 등을 구비될 수 있다. 즉, 서버-클라이언트 구현 방식에 의해 다양한 형태로 기능을 분배할 수 있다.
다음으로, 본 발명의 일실시예에 따른 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템(30)의 구성을 도 2를 참조하여 설명한다.
본 발명에 따른 딥러닝 예측 데이터 반영 시스템(30)은 서버-클라이언트 시스템으로 구현될 수 있다.
종래 기술의 딥러닝 방식은 데이터 수집/정제/전처리 등을 수행 후 딥러닝 라이브러리 등을 이용하여 직접 코딩하는 방식이다. 본 발명에 따른 예측 데이터 반영 시스템(30)은 분석 서버(50)(예를 들어, i-META, i-STREAM 등)에서 생성된 분석 결과를 직접적으로 사용하여 그 정형 데이터(또는 피벗테이블 구조의 데이터셋)를 프레임 형태(레코드 형태)의 데이터셋으로 변환하고, 차원 중에 시계열 요소와 순차적인 요소를 자동으로 인식하고, 차원의 배치 정보를 이용하여 자동으로 딥러닝 예측 결과를 정형 데이터에 반영한다.
도 2에서 보는 바와 같이, 본 발명의 일실시예에 따른 딥러닝 예측 데이터 반영 시스템(30)은 피벗 테이블 구조의 데이터 셋을 수신하는 데이터셋 수신부(31), 피벗 테이블 구조의 데이터셋에서 데이터 차원(dimension)을 계층 구조(또는 트리 구조)로 추출하는 차원 추출부(32), 피벗 테이블 구조의 데이터셋을 레코드 구조로 변환하는 프레임 변환부(33), 레코드 구조의 데이터셋을 대상으로 딥러닝을 통해 예측하는 데이터 예측부(34), 및, 예측 데이터가 추가된 레코드 데이터셋을 피벗테이블 데이터셋으로 재구성하는 데이터 재구성부(35)로 구성된다.
먼저, 데이터셋 수신부(31)는 피벗 테이블 구조의 데이터셋(또는 피벗테이블 데이터셋)을 수신한다.
도 3에서 보는 바와 같이, 피벗 테이블 구조는 행과 열로 형성되어 데이터셋을 표시하는 데이터 영역과, 행의 일측(바람직하게는 좌측) 또는 열의 일단(바람직하게는 상단)에 형성되어 차원 이름을 표시하는 차원 영역으로 구성된다.
즉, 차원 영역은 데이터 영역의 열 상단에 표시되는 열 차원 영역과, 데이터 영역의 행 좌측에 표시되는 행 차원 영역으로 구분된다. 도 3의 예에서, <전자소재 사업부>, <홈엔터테인먼트 사업부>, <매출수량>, <원화단가> 등은 열 차원 영역의 열 차원의 이름이고, 날짜(<20150101>, <20150102>, ...), <내수>, <수출> 등은 행 차원 영역의 행 차원의 이름이다.
한편, 열 차원과 행 차원 등 각 차원은 각각 계층 구조로 구성된다. 최하위 차원(또는 최하위 차원 이름)은 각각 데이터 영역의 행 또는 열 각각에 모두 1대 1 대응된다. 최하위 차원은 자신의 부모 또는 조상의 차원에 의해 구별된다. 따라서 각 최하위 차원에 대응되는 각 데이터 영역의 행 또는 열은 상기 최하위 차원 및 그 부모 또는 조상의 차원에 의해 구분(정의)된다. 도 3의 예에서 데이터 영역의 1번째 열의 데이터셋은 <전자소재사업부>의 <매출수량>의 차원에 의해 구분된다, 2번째 열의 데이터셋은 <전자소재사업부>의 <원화단가>의 차원에 의해 구분된다. 또한, 1번째 행의 데이터셋은 <20180101>의 <내수>의 차원에 의해 구분된다.
또한, 데이터 영역의 셀에는 행과 열에 해당하는 차원들의 조합에 의한 데이터값이나 통계치(예를 들어, 개수, 합계, 평균 등)가 입력되어 표시된다.
또한, 피벗 테이블의 행 차원과 열 차원 중 어느 하나 차원의 최하위 차원은 <메저(measure)>로 설정된다. 메저(measure) 차원은 데이터 영역의 데이터값의 종류를 나타낸다. 앞서 도 3의 예에서, 열 차원의 최하위 차원을 메저(또는 메저 차원)로 설정하고 있다. 데이터 영역의 1번째 열의 데이터셋들은 <매출수량>을 나타내고, 2번째 열의 데이터셋은 <원화단가>를 나타낸다.
다음으로, 차원 추출부(32)는 피벗 테이블 구조의 데이터셋로부터, 차원의 계층 구조를 나타내는 행 및 열의 차원 트리를 생성한다.
즉, 차원 추출부(32)는 피벗 테이블 구조의 데이터셋으로부터, 행 및 열 차원의 계층구조를 나타내는 차원 트리를 생성한다.
도 3의 예에서, 행 차원은 <매출일자>, <매출구분명>의 계층 구조를 가진다. 이때, <매출일자>는 상위 차원이라 하고, <매출구분명>은 하위 차원이라고 부르기로 한다. 계층 구조의 상위와 하위는 상대적 개념이다.
이때, <매출일자>, <매출구분명>은 각각 차원의 범주라 부르기로 하고, 각 차원이 가질 수 있는 값을 차원 이름(또는 차원값)이라 부르기로 한다. <매출일자>의 행 범주는 <20180101>, <20180102>, <20180104> 등의 이름을 가지고, <매출구분명>의 행 범주는 <내수>, <수출> 등 2개의 차원 이름을 갖는다.
도 3의 예에서, 열 차원은 <사업부구분명>, <메져(measure)>의 계층 구조를 가진다. 이때, <사업부구분명>, <메져>는 각각 차원의 범주이다. <사업부구분명>의 열 범주는 <전자소재사업부>, <홈엔터테인먼트사업부> 등의 차원 이름을 가질 수 있고, <메져>의 범주는 <매출수량>, <원화단가> 등 2개의 차원 이름을 갖는다. 특히, 메저의 차원 이름은 메저 이름이라 부르기로 한다.
차원 추출부(32)는 피벗 테이블의 행 차원과 열 차원의 계층 구조에 따라 각각 행의 차원 트리 및, 열의 차원 트리를 구성한다. 즉, 각 차원 트리의 루트 노드는 가상의 노드를 임의로 설정한다. 피벗 테이블의 각 차원 이름을 하나의 노드에 대응시켜 각각의 노드를 생성하고, 상위 차원과 하위 차원의 관계에 따라 노드 간의 상위 및 하위 관계를 설정한다. 즉, 차원 트리의 각 노드는 차원 이름을 가지고, 차원의 상위 또는 하위 관계에 따라 각 노드가 상위 노드 또는 하위 노드로 계층적으로 구성된다.
한편, 피벗 테이블 구조에서, 상위 범주의 차원은 하위 범주의 차원 이름을 모두 가지도록 구성된다. 따라서 차원 트리에서, 상위 범주의 각 노드는 모두 동일한 하위 범주의 노드들을 가진다.
도 4는 도 3의 피벗 테이블의 행 차원 구조로부터 생성된 행의 차원 트리를 표시한 그래프이다. 도 4의 예에서, 상위 범주 <매출일자>의 <20180101>, <20180102>, <20180104> 등의 노드들은 각각, 하위 범주 <매출구분명>의 <내수>, <수출>의 노드들을 모두 하위 노드로 동일하게 갖는다.
또한, 도 5는 도 3의 피벗 테이블의 열 차원 구조로부터 생성된 열의 차원 트리를 표시한 그래프이다. 도 5의 예에서, 상위 범주 <사업부구분명>의 <전자소재사업부>, <홈엔터테인먼트사업부> 등의 노드들은 각각 <메저> 범주의 <매출수량>, <원화단가>의 노드들을 모두 하위 노드로 갖는다.
또한, 도 5에서 보는 바와 같이, 메저(measure)를 갖는 차원 트리는 리프 노드가 메저 노드이나, 메저 노드에 데이터값 노드(또는 데이터 노드)가 연결될 수 있다. 이때 데이터 노드의 데이터 셋은 피벗 테이블의 데이터 영역의 메저들의 데이터 셋에 해당한다. 또한, 메저의 데이터셋의 개수는 행 차원(행의 최하위 차원)의 개수만큼 존재한다.
도 6에서 보는 바와 같이, 데이터 영역의 메저의 데이터 셋의 개수만큼 차원 트리가 만들어질 수 있다. 도 3의 데이터 영역의 1번째 행의 데이터 셋(메저의 데이터셋)은 {25,1000,20,900}이고, 메저의 데이터 셋이 데이터 노드의 값으로 정해져서, 도 6의 첫번째 차원 트리와 같이 생성될 수 있다.
또한, 바람직하게는, 차원 추출부(32)는 행 차원의 트리 구조에 포함되지 않는 행 차원, 즉, 피벗 테이블의 차원 구조에서 병행되는 차원을 합계 노드로 추가로 생성한다. 또한, 데이터 영역의 메저의 데이터 셋 중 합계에 해당하는 차원 트리도 생성된다. 특히, 합계 노드는 피벗 테이블의 차원 구조에서 합계 차원과 대응되는 최하위 차원의 트리 레벨과 동일한 레벨을 갖도록 트리 구조에 추가한다(또는 별도의 트리 구조를 생성한다). 즉, 합계 차원과, 이에 대응하는 최하위 차원과는 형제 관계(sibling)를 갖도록 구성된다.
도 7의 예와 같이, <20180101 Total>, <20180102 Total>, ... 등의 행 차원은 트리 구조에서 병립하는 구조로서, 앞서 구한 차원의 트리 구조에 해당되지 않는다. 이들 노드를 합계 노드로 트리 구조에 추가하거나, 별도의 합계 트리를 생성한다. 도 7a는 앞서 구한 차원 트리에 합계 노드를 추가한 것을 나타내고, 도 7b는 합계 트리를 별도로 구성한 것을 나타내고 있다.
이때, 합계에 해당하는 데이터 영역의 메저의 데이터 셋에 대해서도 차원 트리가 생성된다. 즉, 합계에 대응되는 메저의 데이터셋(예를 들어, {40, 1500, 50, 1300} 등)에 대한 합계 트리도 생성된다.
다음으로, 프레임 변환부(33)는 앞서 생성한 행 및 열의 차원 트리를 합하여 통합 차원 트리를 생성하고, 통합 차원 트리로부터 레코드 구조의 데이터셋(이하 레코드 데이터셋)을 생성한다.
먼저, 프레임 변환부(33)는 메저를 가지는 차원 트리를 하위 트리로 정하고 나머지 트리를 상위 트리로 정하여, 상위 트리의 리프 노드를 하위 트리의 루트 노드가 되도록, 2개의 차원 트리를 통합한다.
도 8은 앞서 도 4의 행 차원 트리와 도 5의 열 차원 트리를 통합하여, 통합 차원 트리를 생성한 예를 도시하고 있다. 메저(measure) 차원이 열 차원 트리에 존재하므로, 열 차원 트리가 하위 트리가 되고, 행 차원 트리가 상위 트리가 된다.
한편, 하위 트리는 메저의 데이터셋의 개수만큼 생성된다. 이때, 각 데이터 노드의 메저 데이터 셋은 행 차원의 각각에 대응된다. 따라서 각 하위 트리는 자신의 데이터 노드의 데이터셋이 대응되는 행 차원의 리프 노드를, 루트 노드로 하여 통합된다.
예를 들어, 도 8에서 보는 바와 같이, 상위 트리의 리프 노드 <내수> 또는 <수출> 이 하위 트리(열 차원 트리)의 루트 노드로서 결합된다. 첫번째 하위 트리의 데이터셋은 {25,1000,20,900}이고, 해당 데이터셋에 대응되는 행 차원은 {<20180101>, <내수>}이다. 따라서 첫번째 하위 트리는 {<20180101>, <내수>}로 구분되는 상위 트리의 리프 노드 <내수>를, 루트 노드로 하여 결합된다.
한편, 바람직하게는, 프레임 변환부(33)는 합계 노드도 포함하여 통합 차원 트리를 생성한다. 즉, 합계에 대응되는 메저의 데이터셋(예를 들어, {40, 1500, 50, 1300} 등)들도 통합 트리에 생성한다. 도 9는 합계 노드가 포함된 통합 트리를 나타내고 있다.
또한, 프레임 변환부(33)는 통합 차원 트리(또는 통합 트리)가 생성되면, 통합 트리의 데이터셋으로부터 레코드 구조(데이터 프레임 형태)의 데이터셋을 생성한다. 이때, 레코드 구조는 다수의 필드로 구성되는 레코드들의 집합으로 구성된다. 따라서 필드 또는 필드명을 구성하고, 각 필드에 해당하는 필드값을 설정하여, 데이터 프레임을 생성한다.
즉, 각 메저에 대하여 메저의 차원 이름들을 필드로 설정하고, 해당 필드의 필드값은 해당 메저들의 데이터값으로 정한다. 또한, 메저 노드의 상위 노드들의 범주(범주 이름)로 필드를 설정하고, 해당 필드의 필드값은 해당 범주의 차원 이름으로 정한다. 이때, 루트 노드는 제외된다. 따라서 메저 노드의 상위 노드들의 차원 이름과, 메저의 데이터값들로 하나의 레코드를 구성한다.
이때, 합계 노드를 포함하는 트리 구조는 제외된다. 즉, 합계 노드를 포함하지 않는 트리구조에 대해서만, 통합 차원 트리에서 레코드 구조의 데이터셋을 생성한다.
도 6의 예에서, 맨 위의 메저 범주의 차원 이름 <매출수량>과 <원화단가>는 필드(필드명)로 설정되고, 해당 필드의 필드값은 데이터값 <25>, <1000>으로 정해진다. 또한, 메저 범주의 상위 노드들의 범주 <매출일자>, <매출구분명>, <사업부구분명>이 각각 필드(필드명)로 설정된다. 또한, 해당 필드의 필드값은 메저 노드의 상위 노드의 차원 이름, <20180101>, <내수>, <전자소재사업부>으로 된다.
따라서 레코드는 { <20180101>, <내수>, <전자소재사업부>, <25>, <1000> }로 구성된다. 이때, 필드명은 { <매출일자>, <매출구분명>, <사업부구분명>, <매출수량>, <원화단가> }로 구성된다.
통합 트리의 모든 메저 범주의 메저 노드들에 대하여 레코드를 생성하면, 레코드 구조의 데이터셋을 생성할 수 있다. 도 10은 도 8의 통합 트리로부터 생성된 레코드 구조의 데이터셋을 도시하고 있다.
또 다른 실시예로서, 프레임 변환부(33)는 모든 메저 데이터셋에 대응하는 하위 트리를 모두 생성하지 않고, 상위 트리와 하위 트리를 순회하여 레코드 구조의 데이터셋을 구한다. 이때, 하위 트리에 데이터 노드를 연결하지 않고, 하나의 하위 트리만 생성한다. 즉, 하위 트리의 노드들은 차원에 대한 노드들만으로 구성된다.
필드를 구성하는 방식은 앞서 실시예와 동일하다.
그리고 각 레코드를 만들기 위하여 아래와 같이 순회한다.
rowlevel2 -> … -> rowleveln -> columnlevel1 -> … -> columnleveln
즉, 상위 트리에서 루트 노드부터 시작하여 리프 노드로 순차적으로 순회하면서, 각 노드들의 값(차원 이름)을 레코드에 입력한다. 그리고 상위 트리의 리프 노드에 도착하면, 하위 트리의 루트 노드부터 시작하여 하위 노드로 순회한다. 이때, 메저 노드를 만나면 메저 필드에 데이터값을 입력한다. 이때, 데이터 영역의 행과 열이 순회된 노드외 동일한 차원의 데이터를 메저 필드의 데이터값으로 입력한다.
다음으로, 데이터 예측부(34)는 레코드 데이터셋을 대상으로 딥러닝(LSTM)을 통해 예측한다. 바람직하게는 레코드 구조의 데이터셋에서, 시계열 데이터를 가지는 필드를 대상으로 다음 주기의 메저 필드의 데이터값을 예측한다.
바람직하게는, 시계열의 필드는 차원 이름에 의해 만들어지는 필드이다.
도 10의 예에서, <매출일자> 필드는 행 차원에 의해 만들어진 필드이고, 날짜가 시계열의 순서를 가지므로, <매출일자>의 다음 주기 <20180105>에 대하여 다음 분석 주기의 메저 데이터를 예측할 수 있다.
이때, 시계열 차원을 제외한 나머지 차원의 조합별로 예측 데이터를 구하고, 시계열 차원의 데이터는 다음 주기로 하여 조합별로 예측한 데이터를 레코드로 형성한다. 이때, 차원의 필드값은 시계열 차원의 다음 주기, 나머지 차원의 조합, 그리고 예측한 데이터로 구성된다.
다음으로, 데이터 재구성부(35)는 예측 데이터가 추가된 레코드 데이터셋을 피벗 테이블 구조의 데이터셋으로 재구성한다. 즉, 예측된 데이터의 레코드 구조의 데이터셋을 통합 트리에 반영하고, 통합 트리를 피벗 테이블 구조의 데이터셋으로 재구성한다. 이때의 과정은 앞서 레코드 구조의 데이터셋을 형성하는 과정의 역방향으로 수행된다.
도 11의 예측된 데이터가 반영된 레코드 구조의 데이터셋으로부터, 예측 데이터를 통합 트리에 반영한다. 예측된 데이터가 반영된 통합 트리가 도 12에 나타내고 있다.
도 12에서 보는 바와 같이, 시계열 차원의 다음 주기를 차원 이름으로 하는 새로운 계층구조의 노드들을 생성하여, 통합 트리에 삽입한다. 이때 시계열 차원의 범주에 속하는 노드들에 모두 포함시킨다.
즉, 도 11에서 생성된 새로운 레코드에 해당하는 노드들을 생성하여, 생성된 노드들을 원래의 통합 트리에 추가하여 재구성한다.
한편, 바람직하게는, 도 13에서 보는 바와 같이, 새로운 노드(새로운 부분 트리)에서, 합계 노드에 대한 부분(합계 노드의 부분 트리, 또는 합계 노드 및 그의 하위 트리)도 함께 추가한다. 이때, 합계 노드의 하위 구조(하위 트리)는 다른 형제 노드(sibling node)(특히, 새로운 레코드에 의해 생성된 형제 노드)의 하위 트리구조를 모두 합산하여 생성한다.
하위 트리의 합산은 다음과 같은 방법에 의해 생성된다. 하위 트리의 구조는 동일하게 생성한다. 그리고 리프 노드인 데이터 값에서만 차이가 있는데, 동일한 위치의 리프 노드(다른 형제 노드의 리프노드)들의 데이터 값을 모두 합하여, 해당 위치의 리프 노드(합계 노드의 하위 트리 구조의 리프 노드)의 데이터값을 생성한다.
그리고 데이터 재구성부(35)는 재구성된 통합 트리로부터 피벗 테이블의 구조를 생성한다. 피벗 테이블의 구조에서 통합 트리를 형성한 과정의 역 과정을 수행하여, 피벗 테이블을 재구성하여 생성한다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
이 특허출원은 2017년도 정부의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. 2017M3C4A7083282 )
10 : 사용자 단말 20 : 클라이언트
30 : 예측반영 서버 31 : 데이터셋 수신부
32 : 차원 추출부 33 : 프레임 변환부
34 : 데이터 예측부 35 : 데이터 재구성부
50 : 분석 서버 80 : 데이터베이스

Claims (6)

  1. 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템에 있어서,
    피벗 테이블 구조의 데이터 셋을 수신하는 데이터셋 수신부;
    피벗 테이블 구조의 데이터셋에서 데이터 차원을 계층 구조로 가지는 행과 열의 차원 트리를 생성하는 차원 추출부;
    상기 행과 열의 차원 트리를 결합하여 통합 트리를 생성하고, 통합 트리로부터 레코드 구조의 데이터셋을 형성하는 프레임 변환부;
    레코드 구조의 데이터셋을 대상으로 딥러닝을 통해 예측하되, 상기 데이터셋의 시계열 데이터를 가지는 필드를 대상으로 다음 주기의 데이터(이하 예측 데이터)를 예측하는 데이터 예측부; 및,
    상기 예측 데이터가 추가된 레코드 데이터셋을 상기 통합 트리를 재구성하고, 재구성된 통합 트리를 이용하여 피벗 테이블을 재구성하는 데이터 재구성부를 포함하고,
    상기 차원 추출부는 상기 피벗 테이블의 행 차원과 열 차원의 계층 구조에 따라 각각 행의 차원 트리 및, 열의 차원 트리를 구성하되, 각 차원 트리의 루트 노드를 가상의 노드로 설정하고, 상기 피벗 테이블의 각 차원 이름을 하나의 노드에 대응시켜 각각의 노드를 생성하고, 상위 차원과 하위 차원의 관계에 따라 노드 간의 상위 및 하위 관계를 설정하고, 차원 트리의 각 노드가 차원 이름을 가지도록 설정하고, 차원의 상위 또는 하위 관계에 따라 각 노드를 상위 노드 또는 하위 노드로 계층적으로 구성하고,
    상기 차원 추출부는 상기 차원 트리에서 상위 범주의 각 노드가 모두 동일한 하위 범주의 노드들을 가지도록 구성하고,
    상기 차원 추출부는 메저를 갖는 차원 트리에 대해, 메저 노드에 데이터값을 가지는 데이터 노드를 연결하고, 상기 피벗 테이블의 데이터 영역의 메저의 데이터 셋의 개수만큼 차원 트리를 생성하고,
    상기 프레임 변환부는 메저를 가지는 차원 트리를 하위 트리로 정하고 나머지 트리를 상위 트리로 정하여, 상위 트리의 리프 노드를 하위 트리의 루트 노드가 되도록, 2개의 차원 트리를 통합하되, 각 하위 트리에 대하여 자신의 데이터 노드의 데이터셋이 대응되는 상위 트리의 리프 노드를, 루트 노드로 하여 통합하는 것을 특징으로 하는 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 프레임 변환부는 각 메저에 대하여 메저의 차원 이름들을 필드로 설정하고, 해당 필드의 필드값은 해당 메저들의 데이터값으로 정하고, 메저 노드의 상위 노드들의 범주로 필드를 설정하고, 해당 필드의 필드값은 해당 범주의 차원 이름으로 정하여, 메저 노드의 상위 노드들의 차원 이름과, 메저의 데이터값들로 하나의 레코드를 구성하는 것을 특징으로 하는 피벗 테이블 구조의 OLAP 결과를 이용한 딥러닝 예측 데이터 반영 시스템.
KR1020190031220A 2019-01-25 2019-03-19 피벗 테이블 구조의 olap 결과를 이용한 딥러닝 예측 데이터 반영 시스템 KR102058124B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019093340A JP6997133B2 (ja) 2019-01-25 2019-05-17 ピボットテーブル構造のｏｌａｐ結果を用いたディープラーニング予測データ反映システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190009845 2019-01-25
KR1020190009845 2019-01-25

Publications (1)

Publication Number Publication Date
KR102058124B1 true KR102058124B1 (ko) 2019-12-23

Family

ID=69051901

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190031220A KR102058124B1 (ko) 2019-01-25 2019-03-19 피벗 테이블 구조의 olap 결과를 이용한 딥러닝 예측 데이터 반영 시스템

Country Status (2)

Country Link
JP (1) JP6997133B2 (ko)
KR (1) KR102058124B1 (ko)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177220A (zh) * 2019-12-26 2020-05-19 中国平安财产保险股份有限公司 基于大数据的数据分析方法、装置、设备及可读存储介质
KR102251139B1 (ko) 2020-10-13 2021-05-12 (주)비아이매트릭스 데이터 증강 기반 기계학습 방식의 결측치 보정 시스템
KR20220016588A (ko) 2020-08-03 2022-02-10 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론 시스템 및 그 방법
KR20220016641A (ko) 2020-08-03 2022-02-10 (주)한국플랫폼서비스기술 쿼리를 이용한 프레임워크 딥러닝 학습 시스템 및 방법
KR20220069738A (ko) 2020-11-20 2022-05-27 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론 시스템을 이용한 공작 기계 예지 보전 시스템 및 그 방법
KR20220096142A (ko) 2020-12-30 2022-07-07 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론을 이용한 안면 검출 및 사생활 보호 시스템 및 그 방법
KR20220165391A (ko) 2021-06-08 2022-12-15 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 분산 시스템 및 분산 훈련 방법
KR20220168814A (ko) 2021-06-17 2022-12-26 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론을 이용한 사생활 보호 및 재검출 평가 시스템 및 그 방법
KR20230060353A (ko) 2021-10-27 2023-05-04 (주)한국플랫폼서비스기술 딥러닝 프레임워크 데이터베이스 응용 공작 기계 예지 보전 장치, 이를 구비한 분산 시스템 및 그 방법
KR20230060354A (ko) 2021-10-27 2023-05-04 (주)한국플랫폼서비스기술 개인정보를 보호하기 위한 비식별화용 영상 기록 장치
KR20230065037A (ko) 2021-11-04 2023-05-11 (주)한국플랫폼서비스기술 성별 및 나이를 분류하는 딥러닝 프레임워크 응용 데이터베이스 서버 및 그 방법
KR20230065038A (ko) 2021-11-04 2023-05-11 (주)한국플랫폼서비스기술 쿼리 기반 데이터베이스 연동 딥러닝 분산 시스템 및 그 방법
KR20230074965A (ko) 2021-11-22 2023-05-31 (주)한국플랫폼서비스기술 전통 가옥 도면의 구조 명칭을 분류하는 딥러닝 프레임워크 응용 데이터베이스 서버 및 그 방법
KR102602781B1 (ko) 2022-11-30 2023-11-16 (주)한국플랫폼서비스기술 딥러닝 프레임워크 응용 서비스 모델의 지속적인 통합 및 배포 시스템 및 그 방법
KR102641532B1 (ko) 2022-10-20 2024-02-28 (주)한국플랫폼서비스기술 사생활 보호 딥러닝 프레임워크 응용 컴퓨팅 장치 및 그 방법
KR20240088541A (ko) 2022-12-13 2024-06-20 (주)한국플랫폼서비스기술 사생활 보호 기능의 딥러닝 프레임워크 응용 컴퓨팅 장치 및 그 방법
KR20240099104A (ko) 2022-12-21 2024-06-28 (주)한국플랫폼서비스기술 분산 원장이 적용된 딥러닝을 이용한 비식별화 인증 시스템 및 그 인증 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030145000A1 (en) 2002-01-31 2003-07-31 International Business Machines Corporation System and method of using data mining prediction methodology
US20030236784A1 (en) 2002-06-21 2003-12-25 Zhaohui Tang Systems and methods for generating prediction queries
KR101034428B1 (ko) * 2004-06-22 2011-05-12 마이크로소프트 코포레이션 다차원 표현식과 데이타 마이닝 확장을 결합하여 ｏｌａｐ큐브를 마이닝하는 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2776226B2 (ja) * 1993-12-27 1998-07-16 日本電気株式会社 多段表データ取り扱い装置
JPH08221384A (ja) * 1995-02-17 1996-08-30 Kao Corp 販売量予測方法および装置
JP2795317B2 (ja) * 1996-06-24 1998-09-10 日本電気株式会社 多段表処理方式
JP3637412B2 (ja) * 2000-05-17 2005-04-13 中国電力株式会社 時系列データ学習・予測装置
US9146916B2 (en) * 2009-10-30 2015-09-29 Oracle International Corporation Transforming data tables into multi-dimensional projections with aggregations
JP6109037B2 (ja) * 2013-10-23 2017-04-05 本田技研工業株式会社 時系列データ予測装置、時系列データ予測方法、及びプログラム
JP6542712B2 (ja) * 2016-06-02 2019-07-10 日本電信電話株式会社 論理関係認識装置、論理関係認識方法および論理関係認識プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030145000A1 (en) 2002-01-31 2003-07-31 International Business Machines Corporation System and method of using data mining prediction methodology
US20030236784A1 (en) 2002-06-21 2003-12-25 Zhaohui Tang Systems and methods for generating prediction queries
KR101034428B1 (ko) * 2004-06-22 2011-05-12 마이크로소프트 코포레이션 다차원 표현식과 데이타 마이닝 확장을 결합하여 ｏｌａｐ큐브를 마이닝하는 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ABDELBAKI Wiem 등, "Modular Neural Networks for Extending OLAP to Prediction", pp. 73-93, Springer-Verlag Berlin Heidelberg 2015. 1부.*

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177220A (zh) * 2019-12-26 2020-05-19 中国平安财产保险股份有限公司 基于大数据的数据分析方法、装置、设备及可读存储介质
KR20220016588A (ko) 2020-08-03 2022-02-10 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론 시스템 및 그 방법
KR20220016641A (ko) 2020-08-03 2022-02-10 (주)한국플랫폼서비스기술 쿼리를 이용한 프레임워크 딥러닝 학습 시스템 및 방법
KR102251139B1 (ko) 2020-10-13 2021-05-12 (주)비아이매트릭스 데이터 증강 기반 기계학습 방식의 결측치 보정 시스템
KR20220069738A (ko) 2020-11-20 2022-05-27 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론 시스템을 이용한 공작 기계 예지 보전 시스템 및 그 방법
KR20220096142A (ko) 2020-12-30 2022-07-07 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론을 이용한 안면 검출 및 사생활 보호 시스템 및 그 방법
KR20220165391A (ko) 2021-06-08 2022-12-15 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 분산 시스템 및 분산 훈련 방법
KR20220168814A (ko) 2021-06-17 2022-12-26 (주)한국플랫폼서비스기술 쿼리 기반 딥러닝 추론을 이용한 사생활 보호 및 재검출 평가 시스템 및 그 방법
KR20230060353A (ko) 2021-10-27 2023-05-04 (주)한국플랫폼서비스기술 딥러닝 프레임워크 데이터베이스 응용 공작 기계 예지 보전 장치, 이를 구비한 분산 시스템 및 그 방법
KR20230060354A (ko) 2021-10-27 2023-05-04 (주)한국플랫폼서비스기술 개인정보를 보호하기 위한 비식별화용 영상 기록 장치
KR20230065037A (ko) 2021-11-04 2023-05-11 (주)한국플랫폼서비스기술 성별 및 나이를 분류하는 딥러닝 프레임워크 응용 데이터베이스 서버 및 그 방법
KR20230065038A (ko) 2021-11-04 2023-05-11 (주)한국플랫폼서비스기술 쿼리 기반 데이터베이스 연동 딥러닝 분산 시스템 및 그 방법
US12118010B2 (en) 2021-11-04 2024-10-15 Korea Platform Service Technology Query-based database linkage distributed deep learning system, and method therefor
KR20230074965A (ko) 2021-11-22 2023-05-31 (주)한국플랫폼서비스기술 전통 가옥 도면의 구조 명칭을 분류하는 딥러닝 프레임워크 응용 데이터베이스 서버 및 그 방법
KR102641532B1 (ko) 2022-10-20 2024-02-28 (주)한국플랫폼서비스기술 사생활 보호 딥러닝 프레임워크 응용 컴퓨팅 장치 및 그 방법
KR102602781B1 (ko) 2022-11-30 2023-11-16 (주)한국플랫폼서비스기술 딥러닝 프레임워크 응용 서비스 모델의 지속적인 통합 및 배포 시스템 및 그 방법
KR20240082184A (ko) 2022-11-30 2024-06-10 (주)한국플랫폼서비스기술 딥러닝 프레임워크 응용 서비스 모델의 지속적인 통합 및 배포 시스템 및 그 방법
KR20240088541A (ko) 2022-12-13 2024-06-20 (주)한국플랫폼서비스기술 사생활 보호 기능의 딥러닝 프레임워크 응용 컴퓨팅 장치 및 그 방법
KR20240099104A (ko) 2022-12-21 2024-06-28 (주)한국플랫폼서비스기술 분산 원장이 적용된 딥러닝을 이용한 비식별화 인증 시스템 및 그 인증 방법

Also Published As

Publication number Publication date
JP2020119487A (ja) 2020-08-06
JP6997133B2 (ja) 2022-01-17

Similar Documents

Publication Publication Date Title
KR102058124B1 (ko) 피벗 테이블 구조의 olap 결과를 이용한 딥러닝 예측 데이터 반영 시스템
US10528583B2 (en) Data visualization user interface for multidimensional databases
US9092467B2 (en) Systems and methods for displaying data in split dimension levels
US20060190432A1 (en) System and method for graphically distinguishing levels of a multidimensional database
US9547646B2 (en) User-created members positioning for OLAP databases
CA2394514A1 (en) Method and system for parameterized database drill-through
Bhaskara et al. Data warehouse implemantation to support batik sales information using MOLAP
Niemi et al. Multidimensional data model and query language for informetrics
Dau et al. Formal concept analysis for qualitative data analysis over triple stores
Khan et al. A Gestalt of Data Exploration and Conception
Köylü A case study in weather pattern searching using a spatial data warehouse model
Yousef Fourth Year-Informatics Department

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant