KR102446775B1 - 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법 - Google Patents

컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법 Download PDF

Info

Publication number
KR102446775B1
KR102446775B1 KR1020190141010A KR20190141010A KR102446775B1 KR 102446775 B1 KR102446775 B1 KR 102446775B1 KR 1020190141010 A KR1020190141010 A KR 1020190141010A KR 20190141010 A KR20190141010 A KR 20190141010A KR 102446775 B1 KR102446775 B1 KR 102446775B1
Authority
KR
South Korea
Prior art keywords
matrix
data
time series
neural network
series data
Prior art date
Application number
KR1020190141010A
Other languages
English (en)
Other versions
KR20210054846A (ko
Inventor
이흥창
Original Assignee
주식회사 하나금융티아이
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 주식회사 하나금융티아이 filed Critical 주식회사 하나금융티아이
Priority to KR1020190141010A priority Critical patent/KR102446775B1/ko
Publication of KR20210054846A publication Critical patent/KR20210054846A/ko
Application granted granted Critical
Publication of KR102446775B1 publication Critical patent/KR102446775B1/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • 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"

Abstract

본 발명은 컨벌루션 신경망의 입력 데이터 생성 기술에 관한 것으로서, 상세하게는 여러 종류의 시계열 데이터로부터 컨벌루션 신경망에 입력하기 위한 입력 데이터를 생성하고 이렇게 생성한 입력 데이터를 이용해 인공지능 기반으로 펀드 가격을 예측하는 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법에 관한 것이다. 이를 위해, 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 장치는 적어도 2개 이상의 종류로 구성된 복수의 시계열 데이터를 입력하는 데이터 입력부와, 상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위한 2차원 행렬 데이터를 생성하는 2차원 행렬 생성부를 포함한다.

Description

컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법{Apparatus and method for generating input data of convolution neural network, and apparatus and method for predicting fund price using it based on artificial intelligence}
본 발명은 컨벌루션 신경망의 입력 데이터 생성 기술에 관한 것으로서, 상세하게는 여러 종류의 시계열 데이터로부터 컨벌루션 신경망에 입력하기 위한 입력 데이터를 생성하고 이렇게 생성한 입력 데이터를 이용해 인공지능 기반으로 펀드 가격을 예측하는 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법에 관한 것이다.
시계열 데이터를 컨벌루션 신경망(convolution neural network)에 사용하기 위해서는 1차원 그대로 사용하거나 2차원 행렬로 변환하여 사용하게 된다. 일반적으로 컨벌루션 신경망은 2차원 이상의 가중치 필터를 사용하기 때문에 시계열 데이터를 2차원 행렬로 변환하여 사용해야 좋은 결과를 도출할 수 있다.
시계열 데이터를 2차원 행렬로 바꾸는 종래 알고리즘으로는 GAF(Gramian Angular Field), MTF(Markov Transition Field), MAM(Moving Average Mapping) 등이 있다. 이러한 종래 알고리즘은 한 종류의 시계열 데이터만을 사용하여 2차원 행렬로 바꿀 수 있다.
그런데 컨벌루션 신경망의 가중치 필터는 시계열 특성을 고려하지 않기 때문에 가중치 필터 안에 하나의 시계열 데이터만 있는 종래 알고리즘은 컨벌루션 신경망에 적합하지 않다는 문제점이 있다.
일본등록특허 제6522161호
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 여러 종류의 시계열 데이터가 컨벌루션 신경망의 입력 데이터로 사용되도록 하는 것이다.
이를 위해, 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 장치는 N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 데이터 입력부와, 상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성부를 포함하여, 상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 한다.
Figure 112022036415210-pat00016
또한, 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 방법은 컨벌루션 신경망의 입력 데이터 생성 장치에서 컨벌루션 신경망에 입력하기 위한 입력 데이터를 생성하는 방법으로서, N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 시계열 데이터 입력 단계와, 상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하고 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성 단계를 포함하여, 상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 한다.
Figure 112022036415210-pat00017
또한, 본 발명에 따른 인공지능 기반 펀드 가격 예측 장치는 N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 데이터 입력부와, 상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성부와, 상기 2차원 행렬 데이터를 입력받아 2차원 컨벌루션 신경망을 통해 분석하여 펀드가격을 예측하는 분석부를 포함하여, 상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 한다.
Figure 112022036415210-pat00018
또한, 본 발명에 따른 인공지능 기반 펀드 가격 예측 방법은 인공지능 기반 펀드 가격 예측 장치에서 입력 데이터를 분석하여 펀드 가격을 예측하는 방법으로서, N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 데이터 입력 단계와, 상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성 단계와, 상기 2차원 행렬 데이터를 입력받아 2차원 컨벌루션 신경망을 통해 분석하여 펀드가격을 예측하는 분석 단계를 포함하여, 상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 한다.
Figure 112022036415210-pat00019
상술한 바와 같이, 본 발명은 여러 종류의 시계열 데이터가 컨벌루션 신경망의 입력 데이터로 사용되도록 여러 종류로 구성된 복수의 시계열 데이터를 2차원 행렬 데이터로 변환할 수 있다.
이에 따라 시계열 조건을 반영하지 않는 컨벌루션 신경망의 가중치 필터를 사용해도 여러 종류의 시계열 데이터 간에 가질 수 있는 상관 관계에 대한 분석이 가능하여 최적의 컨벌루션 신경망의 결과를 도출할 수 있는 효과가 있다.
또한, 여러 종류의 시계열 데이터를 사용하기 위해 여러 개의 모델을 사용할 필요 없이 한 개의 모델로 분석할 수 있는 효과가 있다.
도 1은 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 장치의 개략적인 구성을 나타낸 도면.
도 2는 본 발명에 따른 컨벌루션 신경망의 입력 데이터를 나타낸 도면.
도 3은 본 발명에 따른 인공지능 기반 펀드가격 예측을 위해 사용되는 컨벌루션 신경망의 입력 데이터를 나타낸 도면.
도 4는 본 발명에 따른 인공지능 기반 펀드가격 예측을 위해 사용되는 시계열 데이터를 나타낸 도면.
도 5는 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 방법의 개략적인 단계를 나타낸 도면.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도면을 참조로 하여 본 발명의 실시예에 따른 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법에 대하여 상세히 설명한다.
도 1은 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 장치의 개략적인 구성을 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 장치는 데이터 입력부(10) 및 2차원 행렬 생성부(20)를 포함하며, 여기에 분석부(30)가 포함되어 본 발명에 따른 인공지능 기반 펀드가격 예측 장치를 구성하게 된다.
데이터 입력부(10)는 복수의 시계열 데이터를 입력 받는 부분이다. 본 발명에 따른 데이터 입력부(10)는 적어도 2개 이상의 종류로 구성된 복수의 시계열 데이터를 입력 받아 2차원 행렬 생성부(20)에 제공한다. 즉, 데이터 입력부(10)는 N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력 받는다.
2차원 행렬 생성부(20)는 데이터 입력부(10)로부터 복수의 시계열 데이터를 입력 받아 2차원 컨벌루션 신경망에 입력하기 위한 2차원 행렬 데이터를 생성한다.
2차원 행렬 생성부(20)는 종류별로 복수의 시계열 데이터를 입력 받아 2차원 행렬 데이터를 생성하는데, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하게 된다.
구체적으로 2차원 행렬 생성부(20)는 복수의 시계열 데이터로부터 수학식 1을 이용해 2차원 행렬의 요소값을 생성한다.
Figure 112019113901447-pat00001
여기서, xi와 xj는 시계열적으로 각각 i번째와 j번째의 시계열 데이터를 의미하는 것으로, x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)이다.
2차원 행렬 생성부(20)는 N × N 행렬을 2차원 행렬 (1, 1) 위치부터 (n, n)까지 채워 2차원 행렬 데이터를 생성하게 된다. 즉, 2차원 행렬 데이터는 N × N 행렬의 단위로 구성되며, N × N 행렬의 단위가 2차원 행렬 (1, 1) 위치부터 (n, n) 위치까지 배치됨으로써 2차원 행렬 데이터가 생성된다.
분석부(30)는 2차원 행렬 생성부(20)로부터 2차원 행렬 데이터를 입력 받아 컨벌루션 신경망을 통해 분석 결과를 출력한다.
본 발명의 실시예에 따른 분석부(30)는 16개 종류의 시계열 데이터로부터 생성된 2차원 행렬 데이터를 분석하여 펀드가격을 예측할 수 있다.
도 2는 본 발명에 따른 컨벌루션 신경망의 입력 데이터를 나타낸 것이다.
도 2를 참조하면, 시계열 데이터는 a, b, c, d의 4가지 종류로 구성되며, 각 종류의 시계열 데이터를 7개씩 수집한 경우이다.
즉, a 종류의 시계열 데이터는 a1 부터 a7 까지이고, b 종류의 시계열 데이터도 b1 부터 b7 까지, c 종류의 시계열 데이터도 c1 부터 c7 까지, d 종류의 시계열 데이터도 d1 부터 d7 까지이다.
이렇게 수집된 시계열 데이터를 수학식 2와 같이 배치하되 2차원 행렬의 요소값을 종류별로 배열한다. 이 때 x = a, b, c, d이고, n=7이므로, i=1, 2, ..., 7이고 j=1, 2, .., 7이 된다. 이에 따라 N × N 행렬의 요소값으로 대표되는 <xi, xj>가 예를 들어, <x2, x7>이면 <a2, a7>, <b2, b7>, <c2, c7>, <d2, d7>로 구성된 2 x 2 행렬이 된다.
Figure 112019113901447-pat00002
그러면 <a1, a1>, <b1, b1>, <c1, c1>, <d1, d1>가 정사각형 배열로 2차원 행렬의 (1, 1) 부분에 위치하게 된다. 마찬가지로 2차원 행렬의 (1, 2) 부분에는 <a1, a2>, <b1, b2>, <c1, c2>, <d1, d2>가 정사각형 배열로 위치하고, (2, 1) 부분에 <a2, a1>, <b2, b1>, <c2, c1>, <d2, d1>가 정사각형 배열로 위치하여, 이후 (7,7)까지 2차원 행렬의 요소값이 위치하여 2차원 컨벌루션 신경망의 입력 데이터를 구성하게 된다.
도 2에서는 4개 종류의 시계열 데이터를 사용하여 2 x 2 행렬로 입력 데이터를 생성하고 있으나, 9개 종류의 시계열 데이터를 사용하게 되면 3 x 3 행렬로, 16개 종류의 시계열 데이터를 사용하게 되면 4 x 4 행렬로 입력 데이터를 생성할 수 있다.
도 3은 본 발명에 따른 인공지능 기반 펀드가격 예측을 위해 사용되는 컨벌루션 신경망의 입력 데이터를 나타낸 것이다.
도 3을 참조하면, 16개 종류의 시계열 데이터를 사용하여 4 x 4 행렬로 컨벌루션 신경망의 입력 데이터를 생성한 것이다. 본 발명의 실시예에서는 인공지능 기반 펀드가격 예측을 위해 16개 종류의 시계열 데이터를 사용한다.
도 4는 본 발명에 따른 인공지능 기반 펀드가격 예측을 위해 사용되는 시계열 데이터를 나타낸 것이다.
기본적으로 펀드 기준가 시계열 데이터가 있으며, 도 4에 도시된 바와 같이, 11개의 인덱스 시계열 데이터와 4개의 환율 시계열 데이터가 있다.
11개의 인덱스 시계열 데이터는 국내 2개와 국외 9개의 인덱스 시계열 데이터로 구성되어 있다. 국내 2개는 코스피와 코스닥 지수이고, 국외 9개는 미국, 일본, 중국, 홍콩, 영국, 프랑스, 독일, 인도, 브라질의 주가지수이다.
4개의 환률 시계열 데이터는 미국 달러, 일본 엔, 중국 위안, 유럽 유로 환율을 포함한다.
이와 같이 도 3에 도시된 2차원 행렬 데이터는 4 x 4 행렬의 단위로 구성되며, 4 x 4 행렬에서 (1, 1)은 펀드 기준가(Fund base price)이고, (1, 2), (1, 3), (1, 4), (2, 1), (2, 2), (2, 3), (2, 4), (3, 1), (3, 2)는 9개의 해외 인덱스(Foreign stock index)이고, (3, 3), (3, 4), (4, 1), (4, 2)는 4개의 해외 환율(Foreign exchange rate)이고, 마지막 (4, 3), (4, 4)는 2개의 국내 인덱스(Korean stock index)이다.
이렇게 구성된 4 x 4 행렬이 2차원 행렬 (1, 1) 위치부터 (n, n)까지 채워져 배열됨으로써 펀드가격 예측을 위한 컨벌루션 신경망의 2차원 행렬 데이터를 형성하게 된다.
도 3에서, 4 x 4 행렬의 요소값이 펀드 기준가, 해외 인덱스, 해외 환율, 국내 인덱스의 순서로 구성되어 있으나 이에 한정되는 것은 아니며, 학습 과정을 통해 다양한 위치의 변화가 가능하다.
도 5는 본 발명에 따른 컨벌루션 신경망의 입력 데이터 생성 방법을 개략적으로 나타낸 것이다.
도 5를 참조하면, 시계열 데이터 입력 단계(S10)와 2차원 행렬 생성 단계(S20)가 컨벌루션 신경망의 입력 데이터 생성 과정이고, 여기에 분석 단계(S30)가 추가되어 인공지능 기반 펀드가격 예측 과정을 이루게 된다.
시계열 데이터 입력 단계(S10)는 적어도 2개 이상의 종류로 구성된 복수의 시계열 데이터를 수집하여 입력하는 단계이다. 시계열 데이터 입력 단계(S10)에서는 일정 시간 구간의 시계열 데이터를 수집하여 2차원 행렬 데이터의 양이 커지지 않도록 한다.
2차원 행렬 생성 단계(S20)는 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위한 2차원 행렬 데이터를 생성하는 단계이다.
분석 단계(S30)는 2차원 행렬 데이터를 입력받아 컨벌루션 신경망을 통해 분석하여 인공지능 기반 분석 결과를 출력하는 단계이다. 본 발명의 실시예에 따른 분석 단계(S30)는 16개의 시계열 데이터로부터 생성된 2차원 행렬 데이터를 컨벌루션 신경망을 통해 분석하여 펀드가격을 예측한다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
10: 데이터 입력부 20: 2차원 행렬 생성부
30: 분석부

Claims (23)

  1. N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 데이터 입력부와,
    상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성부를 포함하여,
    상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 하는 컨벌루션 신경망의 입력 데이터 생성 장치.
    Figure 112022036415210-pat00012
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 컨벌루션 신경망의 입력 데이터 생성 장치에서 컨벌루션 신경망에 입력하기 위한 입력 데이터를 생성하는 방법에 있어서,
    N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 시계열 데이터 입력 단계와,
    상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성 단계를 포함하여,
    상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 하는 컨벌루션 신경망의 입력 데이터 생성 방법.
    Figure 112022036415210-pat00013
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 데이터 입력부와,
    상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성부와,
    상기 2차원 행렬 데이터를 입력받아 2차원 컨벌루션 신경망을 통해 분석하여 펀드가격을 예측하는 분석부를 포함하여,
    상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 하는 인공지능 기반 펀드 가격 예측 장치.
    Figure 112022036415210-pat00014
  12. 제11항에 있어서,
    상기 시계열 데이터의 종류는 펀드 기준가, 인덱스 및 환율을 포함하는 것을 특징으로 하는 인공지능 기반 펀드 가격 예측 장치.
  13. 제12항에 있어서,
    상기 시계열 데이터의 종류는 1개의 펀드 기준가, 9개의 해외 인덱스, 2개의 국내 인덱스 및 4개의 해외 환율을 포함하여, 4 × 4 행렬을 구성하는 것을 특징으로 하는 인공지능 기반 펀드 가격 예측 장치.
  14. 삭제
  15. 삭제
  16. 삭제
  17. 인공지능 기반 펀드 가격 예측 장치에서 입력 데이터를 분석하여 펀드 가격을 예측하는 방법에 있어서,
    N × N 개의 종류로 구성되며 각 종류의 데이터 개수가 n개인 복수의 시계열 데이터를 입력하는 데이터 입력 단계와,
    상기 복수의 시계열 데이터를 입력받아 2차원 컨벌루션 신경망에 입력하기 위해, 2차원 행렬의 각 (i, j) 위치에 해당하는 N × N 행렬의 요소값 <xi, xj>을 생성하여 N × N 행렬을 만들고 2차원 행렬의 (1, 1) 위치부터 (n, n) 위치까지 해당 N × N 행렬을 배열함으로써 2차원 행렬 데이터를 생성하는 2차원 행렬 생성 단계와,
    상기 2차원 행렬 데이터를 입력받아 2차원 컨벌루션 신경망을 통해 분석하여 펀드가격을 예측하는 분석 단계를 포함하여,
    상기 N × N 행렬의 요소값 <xi, xj>이 다음의 수학식에 의해 계산되고, 여기서 x는 N × N 개의 종류로 구성된 시계열 데이터이고, i 및 j는 시계열 순서(i=1, 2, ..., n이고, j=1, 2, ..., n)인 것을 특징으로 하는 인공지능 기반 펀드 가격 예측 방법.
    Figure 112022036415210-pat00015
  18. 제17항에 있어서,
    상기 시계열 데이터의 종류는 펀드 기준가, 인덱스 및 환율을 포함하는 것을 특징으로 하는 인공지능 기반 펀드 가격 예측 방법.
  19. 제18항에 있어서,
    상기 시계열 데이터의 종류는 1개의 펀드 기준가, 9개의 해외 인덱스, 2개의 국내 인덱스 및 4개의 해외 환율을 포함하여, 4 × 4 행렬을 구성하는 것을 특징으로 하는 인공지능 기반 펀드 가격 예측 방법.
  20. 삭제
  21. 삭제
  22. 삭제
  23. 상기 제6항에 의한 방법을 실행하기 위한 프로그램을 기록한 컴퓨터 판독 가능 기록매체.
KR1020190141010A 2019-11-06 2019-11-06 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법 KR102446775B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190141010A KR102446775B1 (ko) 2019-11-06 2019-11-06 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190141010A KR102446775B1 (ko) 2019-11-06 2019-11-06 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210054846A KR20210054846A (ko) 2021-05-14
KR102446775B1 true KR102446775B1 (ko) 2022-09-22

Family

ID=75915688

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190141010A KR102446775B1 (ko) 2019-11-06 2019-11-06 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102446775B1 (ko)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866727A (zh) 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
<효과적인 입력변수 패턴 학습을 위한 시계열 그래프 기반 합성곱 신경망 모형: 주식시장 예측에의 응용> 출처 : http://koreascience.or.kr/article/JAKO201810852361499.page..*

Also Published As

Publication number Publication date
KR20210054846A (ko) 2021-05-14

Similar Documents

Publication Publication Date Title
Shu et al. Understanding architectures learnt by cell-based neural architecture search
CA3088899C (en) Systems and methods for preparing data for use by machine learning algorithms
CN110046249A (zh) 胶囊网络的训练方法、分类方法、系统、设备及存储介质
CN112116001B (zh) 图像识别方法、装置及计算机可读存储介质
CN109447990A (zh) 图像语义分割方法、装置、电子设备和计算机可读介质
CN109344920B (zh) 顾客属性预测方法、存储介质、系统及设备
CA2984833A1 (en) Device, method and program for securely reducing an amount of records in a database
CN104615661A (zh) 面向云平台应用的服务推荐方法、设备及系统
CN109800260A (zh) 高并发数据存储方法、装置、计算机设备和存储介质
WO2020012523A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR20200010624A (ko) 머신러닝을 이용한 빅데이터 통합진단 예측 시스템
CN107590139A (zh) 一种基于循环矩阵翻译的知识图谱表示学习方法
CN108052670A (zh) 一种相机特效的推荐方法及装置
CN109886333A (zh) 一种基于高维空间采样的数据增强方法
KR102446775B1 (ko) 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법
CN116011468A (zh) 深度学习模型的推理方法、机器翻译方法及装置
CN104572687B (zh) 微博传播的关键用户识别方法和装置
IT201900018821A1 (it) Method and apparatus for pruning neural networks
CN116663017A (zh) 一种基于多程序图的漏洞检测方法及装置
Pritz et al. Jointly-learned state-action embedding for efficient reinforcement learning
Long et al. Challenges of ELA-guided Function Evolution using Genetic Programming
Kass Data-translated likelihood and Jeifreys's rules
CN105224649A (zh) 一种数据处理方法和装置
CN110413338A (zh) 一种配置大数据平台的方法、设备及可读介质
US20090222396A1 (en) Adaptive multi-levels dictionaries and singular value decomposition techniques for autonomic problem determination

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right