KR102594173B1 - 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치 - Google Patents

타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치 Download PDF

Info

Publication number
KR102594173B1
KR102594173B1 KR1020210166943A KR20210166943A KR102594173B1 KR 102594173 B1 KR102594173 B1 KR 102594173B1 KR 1020210166943 A KR1020210166943 A KR 1020210166943A KR 20210166943 A KR20210166943 A KR 20210166943A KR 102594173 B1 KR102594173 B1 KR 102594173B1
Authority
KR
South Korea
Prior art keywords
pixel
attribute values
color
attribute
electronic device
Prior art date
Application number
KR1020210166943A
Other languages
English (en)
Other versions
KR20230079802A (ko
Inventor
이정준
Original Assignee
주식회사 데이터스튜디오
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 데이터스튜디오 filed Critical 주식회사 데이터스튜디오
Priority to KR1020210166943A priority Critical patent/KR102594173B1/ko
Publication of KR20230079802A publication Critical patent/KR20230079802A/ko
Application granted granted Critical
Publication of KR102594173B1 publication Critical patent/KR102594173B1/ko

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 타임 시리즈 데이터들의 예측을 위한 학습 이미지 생성 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 의하면, 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성하는 방법이 제공될 수 있다.

Description

타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치 {METHOD AND APPARATUS GENERATING TRAINING IMAGE FOR TIME SERIES DATA PREDICTION}
본 개시는 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치에 관한 것이다. 보다 상세하게는 타임 시리즈 데이터를 예측하는 예측 모델 학습을 위한 학습 이미지를 생성하는 방법 및 이를 수행하는 전자 장치에 관한 것이다.
인공 신경망(Artificial Neural Network)은 인공 뉴런들의 상호 연결된 집합들을 구현하기 위하여 컴퓨팅 기기 또는 컴퓨팅 기기에 의해서 수행되는 방법을 지칭할 수 있다. 인공 신경망의 일 실시 예로, 심층 신경망(Deep Neural Network) 또는 딥 러닝(Deep Learning)은 멀티 레이어 구조를 가질 수 있고, 레이어들 각각이 다수의 데이터에 따라 학습될 수 있다.
최근 인공지능 기술의 발달에 따라 인공 지능 기술을 활용하여 주식, 부동산과 같은 자산의 가격, IOT 센서 또는 통신 장비에서 송수신되는 데이터와 같은 타임 시리즈 데이터들의 예측 값을 추정하기 위한 기술들이 활발하게 연구되고 있다.
그러나, 종래 타임 시리즈 데이터 예측 기술들은 활용 가능한 타임 시리즈 데이터량 및 데이터 다양성으로 인해 미래변화 예측의 계산 속도와 정확성에 한계가 있다. 따라서, 타임 시리즈 데이터를 신속하게 처리하면서 동시에 높은 예측 정확도를 나타내는, 인공지능 모델 기반 타임 시리즈 데이터 예측 기술 개발이 요구되고 있다.
한국공개특허 제2021-0063775호
일 실시 예에 따르면, 타임 시리즈 데이터들의 속성 값들에 기초하여 학습 이미지를 생성하는 방법 및 전자 장치가 제공될 수 있다.
일 실시 예에 의하면 학습 이미지에 기초하여 기계 학습 또는 딥러닝을 이용하여 타임시리즈 데이터 예측 모델을 학습시키는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성하는 방법이 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 타입 시리즈 데이터들을 처리하는 전자 장치에 있어서, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성하는, 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
도 1은 일 실시 예에 따른 전자 장치가 타임 시리즈 데이터들의 속성 값들에 기초하여 학습 이미지를 생성하는 과정을 개략적으로 나타내는 도면이다.
도 2는 일 실시 예에 따른 전자 장치가 수행하는 학습 이미지를 생성하는 방법의 흐름도이다.
도 3은 일 실시 예에 따른 전자 장치가 학습 이미지를 생성하는 구체적인 방법의 흐름도이다.
도 4는 일 실시 예에 따른 전자 장치가 자산들의 속성 값에 대한 타임 시리즈 데이터들에 기초하여 생성된 학습 이미지를 이용하여 예측 모델을 학습시키고, 학습된 예측 모델을 이용하여 미래이벤트를 예측하는 과정을 나타내는 도면이다.
도 5는 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 색깔을 결정하는 방법의 흐름도이다.
도 6은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 색깔을 결정하는 방법을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 위치를 결정하는 구체적인 방법의 흐름도이다.
도 8은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 위치를 결정하는 방법을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 전자 장치가 자산들의 속성 값에 대한 타임 시리즈 데이터들에 기초하여 생성된 학습 이미지를 이용하여 예측 모델을 학습시키고, 학습된 예측 모델을 이용하여 미래이벤트를 예측하는 과정을 나타내는 도면이다.
도 10은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 위치를 결정하는 방법을 설명하기 위한 도면이다.
도 11은 일 실시 예에 따른 전자 장치의 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따른 전자 장치가 타임 시리즈 데이터들의 속성 값들에 기초하여 학습 이미지를 생성하는 과정을 개략적으로 나타내는 도면이다.
일 실시 예에 의하면 전자 장치(1000)는 타임 시리즈 데이터(110)를 획득하고, 획득된 타임 시리즈 데이터(110)에 대한 속성 값들에 기초하여 학습 이미지(120)를 생성할 수 있다. 전자 장치(1000)는 학습 이미지를 생성하고, 생성된 학습 이미지에 기초하여 예측 모델을 학습시킴으로써, 타임 시리즈 데이터에 대한 미래 예측 값을 획득할 수 있다.
일 실시 예에 의하면, 타임 시리즈 데이터(110)는 시계열적으로 획득되는 데이터들로, 주식, 부동산과 같은 자산, 암호화폐와 같은 가상 자산과 관련되어 시계열적으로 획득되는 데이터들을 포함할 수 있다. 그러나 또 다른 실시 예에 의하면, 타임 시리즈 데이터(110)는 IOT 센서, 통신 장비들로부터 시계열적으로 획득되는 센서 데이터들을 포함할 수도 있다. 일 실시 예에 의하면, 타임 시리즈 데이터(110)는 서로 다른 종류의 항목(예컨대 자산 1(102), 자산 2(104))들에 대한 데이터들을 포함할 수 있고, 각 항목별 속성 값들을 포함할 수 있다.
예를 들어, 타임 시리즈 데이터(110)가 자산에 대한 타임 시리즈 데이터인 경우, 타임 시리즈 데이터는 자산 1(102)에 대한 데이터, 자산 2(104)에 대한 데이터를 포함할 수 있으며, 각 자산 별 속성 값들을 포함할 수 있다. 일 실시 예에 의하면 속성 값들은 타임 시리즈 데이터 값, 소정의 시구간 동안의 타임 시리즈 데이터의 변화를 나타내기 위한 파라미터 값들을 포함할 수 있다. 일 실시 예에 의하면, 타임 시리즈 데이터가 자산인 경우, 속성 값들은 전주기 변화율, 전주기 거래량 변화율, 당일 진폭 비율 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 전자 장치(1000)는 하나 이상의 인스트럭션을 저장하는 메모리(120) 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서(140)를 포함할 수 있다. 전자 장치(1000)내 프로세서(140)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써, 전자 장치(1000)와 연결된 외부 디바이스로부터 타임 시리즈 데이터(110)를 획득하도록 전자 장치(1000)내 네트워크 인터페이스를 제어하고, 타임 시리즈 데이터(110)의 속성 값들에 기초하여 학습 이미지(120)를 생성하며, 생성된 학습 이미지(120)를 라벨링하고, 라벨링된 학습 이미지(120)에 기초하여 예측 모델을 학습시킬 수 있다.
본 개시에 따른 전자 장치(1000)는 기존의 방법들 보다 훨씬 많은 수의 자산들로 구성된 입력 데이터를 이용하여 자산들의 종합적인 상황 도식화가 가능하며, 자산의 미래 변화 예측의 계산 속도 및 정확도를 향상시킬 수 있는 장점이 있다.
도 2는 일 실시 예에 따른 전자 장치가 수행하는 학습 이미지를 생성하는 방법의 흐름도이다.
S210에서, 전자 장치(1000)는 타임임 시리즈 데이터들의 속성 값에 기초하여 결정되는 픽셀의 색깔 및 픽셀의 위치를 이용하여 학습 이미지를 생성할 수 있다. 예를 들어, 전자 장치(1000)는 자산에 관련된 타임 시리즈 데이터들을 획득하고, 타임 시리즈 데이터들 내 자산 별 속성 값들 중 일부의 속성 값들에 기초하여 픽셀의 색깔을 결정하며, 상기 자산 별 속성 값들 중 일부의 속성 값들을 제외한 나머지 적어도 하나의 속성 값들에 기초하여 픽셀의 위치를 결정하고, 상기 결정된 픽셀의 색깔 및 위치 값에 기초하여 학습 이미지를 생성할 수 있다.
도 3은 일 실시 예에 따른 전자 장치가 학습 이미지를 생성하는 구체적인 방법의 흐름도이다.
S310에서, 전자 장치(1000)는 타임 시리즈 데이터들에 관련된 속성 값들을 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 자산에 관련된 복수 항목(예컨대 서로 다른 자산 항목)의 타임 시리즈 데이터들을 획득할 수 있다. 전자 장치(1000)는 획득된 타임 시리즈 데이터들에 대한 속성 값들을 획득할 수 있다. 예를 들어, 전자 장치(1000)가 자산에 관련된 타임 시리즈 데이터들을 획득하는 경우, 전자 장치(1000)는 제1 자산에 대한 속성 값들, 제2 자산에 대한 속성 값들을 획득할 수 있다. 전자 장치(1000)는 복수의 자산들에 대한 타임 시리즈 데이터들을 획득할 수 있을 뿐만 아니라, 각 자산들에 대한 복수의 속성 값들을 획득할 수 있다.
S320에서, 전자 장치(1000)는 획득된 속성 값들 중 일부의 속성 값들에 기초하여 픽셀의 색깔을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 자산 별 속성 값들 중 일부의 속성 값들을 정규화하고, 정규화된 속성 값들에 기초하여 픽셀의 색깔을 결정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 자산 별 속성 값들 중 일부의 속성 값들을 정규화하고, 정규화된 속성 값들을 RGB 값에 일대일로 매칭함으로써 단위 픽셀의 색깔을 결정할 수 있다. 전자 장치(1000)가 픽셀의 색깔을 결정하는 구체적인 방법은 후술하는 도 5 내지 6을 참조하여 설명하기로 한다.
S330에서, 전자 장치(1000)는 속성 값들 중 일부의 속성 값들을 제외한 나머지 적어도 하나의 속성 값들에 기초하여 픽셀의 위치를 결정할 수 있다. 예를 들어, 전자 장치(1000)는 타임 시리즈 형태로 획득된 자산 별 데이터의 속성 값들 중, 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의 자산에 대한 연관성에 기초하여 픽셀의 위치를 결정할 수 있다. 그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들을 정규화하고, 정규화된 속성 값들에 기초하여 픽셀의 위치를 결정할 수도 있다. 전자 장치(1000)가 픽셀의 위치를 결정하는 구체적인 방법은 후술하는 도 7 내지 10을 참조하여 설명하기로 한다.
S340에서, 전자 장치(1000)는 결정된 픽셀의 색깔 및 위치에 기초하여 학습 이미지를 생성할 수 있다. 예를 들어, 전자 장치(1000)는 자산 별 속성 값들에 기초하여 단위 픽셀의 색깔 및 위치를 결정하고, 자산 별 속성 값들에 따라 결정된 색깔 및 위치 정보를 포함하는 픽셀들을 배치함으로써 학습 이미지를 생성할 수 있다. 일 실시 예에 의하면 전자 장치(1000)가 생성하는 학습 이미지는 비트맵(BITMAP)에 대응될 수 있다.
도 4는 일 실시 예에 따른 전자 장치가 자산들의 속성 값에 대한 타임 시리즈 데이터들에 기초하여 생성된 학습 이미지를 이용하여 예측 모델을 학습시키고, 학습된 예측 모델을 이용하여 미래이벤트를 예측하는 과정을 나타내는 도면이다.
전자 장치(1000)가 획득한 타임 시리즈 데이터들은 자산 1 내지 자산 N에 대한 복수의 속성 값들을 포함할 수 있다. 전자 장치(1000)는 자산 1 내지 자산 N에 대한 복수의 속성 값들 중 소정의 수의 속성 값들을 선택할 수 있다. 도 4를 참조하면 S1선택단계에서, 전자 장치(1000)는 자산 1 내지 자산 N에 대한 복수의 속성 값들 중 4개의 속성 값을 선택할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 전자 장치(1000)는 더 많은 수의 속성 값을 선택할 수도 있고, 더 적은 수의 속성 값을 선택할 수도 있음은 물론이다.
이하에서는 전자 장치(1000)가 자산 별로 4개의 속성 값인 A속성값, B속성값, C속성값, D 속성값을 선택한 예를 기초로 설명하기로 한다. 전자 장치(1000)는 S2 정제 단계에서, 자산 별 속성 값들 중 일부의 속성 값들을 정규화할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(1000)는 S2 정제 단계에서, A속성값, B속성값 및 C 속성값을 정규화할 수 있다. 전자 장치(1000)가 속성 값을 정규화하는 방법은 다양할 수 있으며, 소정의 범위 내 속성 값들을 매칭하기 위한 기타 정규화 알고리즘을 사용할 수 있다.
또한, 전자 장치(1000)는 S2 정제 단계에서, 속성 값들 중 정규화된 일부의 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의, 자산에 대한 연관성을 식별할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(1000)는 선택된 A속성값, B속성값, C속성값, D 속성값 중, 정규화된 속성 값을 제외한 나머지 속성 값인 D 속성 값의 자산에 대한 연관성을 식별하고, 식별된 연관성에 기초하여, 자산 별 속성 값들 중 D 값의 순위를 결정할 수 있다. 전자 장치(1000)는 결정된 D 값의 순위에 기초하여 학습 이미지 내 자산 별 픽셀의 위치를 결정할 수 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 픽셀의 색깔을 결정하는데 사용된, 정규화된 속성 값들을 제외한 나머지 속성 값인 D 속성 값을 정규화하고, 정규화된 D 속성 값에 기초하여 학습 이미지 내 자산 별 픽셀의 위치를 결정할 수도 있다.
S3 사상 단계에서, 전자 장치(1000)는 정규화된 A속성값, 정규화된 B속성값 및 정규화된 C속성값을 각각 RGB 값으로 맵핑할 수 있다. 예를 들어, 전자 장치(1000)는 정규화된 속성 값들 각각을 RGB 각 비트수의 범위로 매칭함으로써 픽셀의 R값, G값, B값을 결정할 수 있다. 또한, S3 사상 단계에서, 전자 장치(1000)는 속성 값들 중 픽셀의 색깔을 결정하는데 사용되지 않은 나머지 속성 값인 D 값의 순위에 기초하여 픽셀의 위치를 결정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 D 값의 순위가 입력되면, 학습 이미지 내 픽셀의 위치를 출력하는 소정의 위치 함수를 이용하여 D 값의 순위에 따른 픽셀의 위치를 결정할 수 있다. 일 실시 예에 의하면, 학습 이미지 내 각 픽셀의 위치는 2차원 좌표로 결정될 수 있으나, 이에 한정되는 것은 아니다.
S4 배치 단계에서, 전자 장치(1000)는 자산 별 속성 값들에 기초하여 각 자산에 대응되는 픽셀의 색깔 및 위치를 결정한 후, 색깔 및 위치가 결정된 픽셀을 이미지 공간 상에 배치함으로써 학습 이미지를 생성할 수 있다. 전자 장치(1000)는 획득된 자산 1 내지 M 각각에 대응되는 픽셀의 색깔 및 위치를 결정하고, 결정된 위치 값에 기초하여 이미지 공간 상에 픽셀을 배치함으로써 학습 이미지를 생성할 수 있다.
S5 라벨링 단계에서, 전자 장치(1000)는 학습 이미지를 라벨링할 수 있다. 예를 들어, 전자 장치(1000)는 타임 시리즈 데이터의 변동성에 기초하여 라벨링 값을 결정하고, 결정된 라벨링 값에 기초하여 학습 이미지를 라벨링할 수 있다. 일 실시 예에 의하면 라벨링 값은 자산 변동 값일 수 있으나, 이에 한정되는 것은 아니며, 전자 장치(1000)가 미래 시점 또는 미래 소정의 시간 범위에서 예측하고자 하는 타임 시리즈에 대한 예측 값을 라벨링 값으로 결정할 수 있음은 물론이다.
S6 학습 단계에서, 전자 장치(1000)는 라벨링된 학습 이미지에 기초하여 예측 모델을 학습시킬 수 있다. 일 실시 예에 의하면, 예측 모델은 인공 지능 학습 알고리즘에 따라 학습될 수 있는 인공 지능 모델일 수 있다. 일 실시 예에 의하면 예측 모델은 라벨링된 학습 이미지에 기초하여 학습됨으로써, 타임 시리즈 데이터와 관련된 이미지가 입력되면 현재 시점으로부터 미리 설정된 시간 구간 동안의 타임 시리즈 데이터의 예측 값을 출력하는 모델일 수 있다.
일 실시 예에 의하면, 인공 지능 모델은 인공 신경망 모델이거나 기계학습(Machine Learning) 모델일 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
S7 예측 단계에서, 전자 장치(1000)는 자산 1 내지 N에 대한 최근 타임 시리즈 데이터를 획득할 수 있다. 전자 장치(1000)는 자산 1 내지 N에 대한 최근 타임 시리즈 데이터들에 대해, 학습 이미지를 생성하기 위해 수행한 S1 내지 S4 단계를 적용함으로써, 학습 이미지 생성 방식과 동일한 방식으로 이미지를 생성할 수 있다. 전자 장치(1000)는 생성된 이미지를 예측 모델에 입력함으로써, 현재 시점 이후에 소정의 시점 또는 소정의 시간 범위에 대한 미래 이벤트를 예측할 수 있다.
도 5는 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 색깔을 결정하는 방법의 흐름도이다.
도 6은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 색깔을 결정하는 방법을 설명하기 위한 도면이다.
도 5 내지 6을 참조하여 전자 장치(1000)가 학습 이미지 내 픽셀의 색깔을 결정하는 구체적인 방법을 설명하기로 한다. S510에서, 전자 장치(1000)는 획득된 속성 값들 중 일부의 속성 값들을 정규화할 수 있다. 예를 들어, 전자 장치(1000)는 학습 이미지 내 픽셀의 색깔을 결정하기 위한 색 체계의 특성(예컨대 RGB 색체계에서 각 색상 요소의 정수범위)에 기초하여 자산 별로 획득된 속성 값들 중 일부의 속성 값들을 정규화할 수 있다.
S520에서, 전자 장치(1000)는 정규화된 일부의 속성 값들에 기초하여 픽셀의 색깔을 결정할 수 있다. 예를 들어, 전자 장치(1000)가 정규화된 일부의 속성 값들에 기초하여 자산 별 픽셀의 RGB 값(602)을 결정하는 예를 설명하기로 한다. 그림 (610)을 참조하면, 전자 장치(1000)는 특정 자산에 대한 속성 값으로 전주기 대비 주가 변화율, 전주기 대비 거래량 변화율, 당일 진폭 비율을 획득할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 정규화된 속성 값들을 RGB 값(602) 내 R값, G값, B값에 각각 1:1로 매칭함으로써 RGB 값을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 R 값을 결정하기 위해 속성 값(604)들 중, 전주기 대비 주가 변화율을 함수(606)와 같이 계산하고 함수의 결과를 R값을 나타내는 비트들에 사상하는 함수를 이용하여 R값을 결정할 수 있다. 전주기 대비 주가 변화율을 구하는 함수(606)는 (Pricet- Pricet-1) / Pricet-1 과 같이 마련될 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 속성 값들 중, 전주기 대비 거래량 변화율을 함수 (Volumet-1- Volumet) / Volumet-1 로 구할 수 있으며 이를 G값을 나타내는 비트들에 사상하는 함수를 이용하여 G 값을 결정할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 속성 값들 중, 당일 진폭 비율을 함수 (Pricehigh- Pricelow) / Priceopen으로 구할 수 있으며 이를 G값을 나타내는 비트들에 사상하는 함수를 이용하여 B 값을 결정할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 전자 장치(1000)는 전주기 대비 주가 변화율에 기초하여 G 값 또는 B 값을 결정할 수도 있음은 물론이다.
일 실시 예에 따른 전자 장치(1000)가 이용하는 사상 함수는 유니폼 스케일링 함수일 수 있으나, 이에 한정되는 것은 아니며, 일 범위 내 값을 다른 범위 내 값으로 사상하기 위한 다양한 사상 함수를 이용할 수 있음은 물론이다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 정규화된 일부 속성 값들에 기초하여, 자산 별 픽셀의 색깔을 소정의 색체계의 속성 값들로 결정할 수도 있다. 예를 들어, 전자 장치(1000)는 속성 값들 중 일부의 속성 값들 각각에 기초하여, 소정의 색체계(예컨대 HUE 색체계)를 구성하는 적어도 하나의 속성 값 각각(예컨대 색상, 채도 및 명도)을 결정하고, 적어도 하나의 속성 값 각각에 기초하여 픽셀의 색깔을 결정할 수도 있다.
전자 장치(1000)는 타임 시리즈 데이터 내 자산 별 픽셀의 색깔을 S510 내지 S520 방법에 따라 결정할 수 있고, 소정의 색깔로 표시된 픽셀들을 포함하는 학습 이미지를 생성한다. 그림 (620)을 참조하면, 전자 장치(1000)가 결정한 픽셀의 대표적인 색깔에 대한 컬러코드 및 정보가 도시된다. 일 실시 예에 의하면, 전자 장치(1000)가 픽셀의 색깔을 노란색으로 결정하는 경우, 컬러코드는 #FFFF00 로 결정될 수 있으며, 컬러코드 앞의 16진수 2자리 8비트는 R값, 중간 16진수 2자리 8비트는 G값, 마지막 16진수 2자리 8비트는 B 값을 나타낼 수 있다.
일 실시 예에 따라 자산이 주식인 경우를 예로 들어 설명하면, 컬러코드가 노란색인 경우, 해당 픽셀은 주가 상승이 크고 거래량이 증가했으며, 진폭 변화가 없는 경우를 의미할 수 있다. 또한, 컬러코드가 초록색인 경우, 해당 픽셀은 거래량은 증가했으나 주가가 하락하고, 진폭 변화가 없는 경우를 나타낼 수 있고, 컬러코드가 보라색인 경우, 해당 픽셀은 주가 상승이 크고, 거래량이 감소했으며, 진폭 변화가 큰 경우를 나타내고, 컬러코드가 빨간색인 경우, 해당 픽셀은 주가 상승이 크고, 당일 진폭과 거래량에 변화가 없는 경우를 나타낼 수 있다.
도 7은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 위치를 결정하는 구체적인 방법의 흐름도이다.
도 8은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 위치를 결정하는 방법을 설명하기 위한 도면이다.
도 7 내지 도 8을 참조하여 전자 장치(1000)가 픽셀의 위치를 결정하는 구체적인 방법을 설명하기로 한다. S710에서, 전자 장치(1000)는 획득된 속성 값들 중 정규화된 속성 값들을 제외한 나머지 속성 값들의 타임 시리즈 데이터에 대한 연관성을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 속성 값들 중, 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의 타임 시리즈 데이터 형태로 획득된 자산에 대한 연관성을 결정할 수 있다.
S720에서, 전자 장치(1000)는 나머지 적어도 하나의 속성 값들에 대해 결정된 연관성에 기초하여 학습 이미지 내 픽셀의 위치를 결정할 수 있다. 예를 들어, 전자 장치(1000)는 연관성에 기초하여 적어도 하나의 나머지 속성 값들의 순위를 결정할 수 있다. 전자 장치(1000)는 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의 순위에 기초하여 이미지 내 픽셀의 위치를 결정할 수 있다.
예를 들어, 전자 장치(1000)는 자산 별로 속성 값들을 획득하고, 획득된 속성 값들 중 일부의 속성 값들에 기초하여, 자산 별 픽셀의 색깔을 결정할 수 있다. 또한, 전자 장치(1000)는 자산 별로 획득된 획득된 속성 값들 중, 픽셀의 색깔을 정하는데 사용되지 않는 속성 값들의 순위를 결정하고, 결정된 순위에 기초하여, 상기 결정된 자산 별 소정의 색깔을 나타내는 픽셀의 위치를 결정하게 된다.
일 실시 예에 의하면, 전자 장치(1000)는 자산 별로 획득된 획득된 속성 값들 중, 픽셀의 색깔을 정하는데 사용되지 않는 속성 값들의 순위가 결정되면, 해당 순위에 기초하여 그림 (810)에 도시된 바와 같이, 소정의 색깔을 나타내는 픽셀들을 학습 이미지 상단 좌측에서부터 우측으로 배열함으로써 1행(812)에 배치한 후, 남은 순위의 픽셀들을 2행(814)에 배치하는 방식으로 학습 이미지를 생성할 수 있다.
그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 그림 (820)에 도시된 바와 같이, 자산 별로 획득된 속성 값들 중, 픽셀의 색깔을 정하는데 사용되지 않는 속성 값들의 순위가 결정되면, 해당 우선 순위에 기초하여 학습 이미지 내 좌상단 지점에서 출발하여 학습 이미지 내 우하단 지점까지 이르기까지 우선 순위가 서로 다른 픽셀들이 최대한 멀리 떨어질 수 있도록 배치함으로써 학습 이미지를 생성할 수도 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 그림 (830)에 도시된 바와 같이, 자산 별로 획득된 속성 값들 중, 픽셀의 색깔을 정하는데 사용되지 않는 속성 값들의 순위가 결정되면, 해당 우선 순위에 기초하여 학습 이미지 내 좌상단 지점에서 출발하여, 학습 이미지 내 우 상단 지점까지 이르도록 지그 재그 형태로 소정의 색깔을 나타내는 픽셀을 배치함으로써 학습 이미지를 생성할 수도 있다. 전자 장치(1000)는 그림 (810) 내지 (830)에 도시된 바와 같이, 픽셀을 배치하기 위해 설계된 미리 설정된 위치 함수를 이용하여, 소정의 색깔을 나타내는 픽셀을 배치할 수 있다.
도 9는 일 실시 예에 따른 전자 장치가 자산들의 속성 값에 대한 타임 시리즈 데이터들에 기초하여 생성된 학습 이미지를 이용하여 예측 모델을 학습시키고, 학습된 예측 모델을 이용하여 미래이벤트를 예측하는 과정을 나타내는 도면이다.
전자 장치(1000)가 획득한 타임 시리즈 데이터들은 자산 1 내지 자산 N에 대한 복수의 속성 값들을 포함할 수 있다. 전자 장치(1000)는 자산 1 내지 자산 N에 대한 복수의 속성 값들 중 소정의 수의 속성 값들을 선택할 수 있다. 도 9를 참조하면 S1선택단계에서, 전자 장치(1000)는 자산 1 내지 자산 N에 대한 복수의 속성 값들(예컨대 각 자산 별로 M개의 속성값들)을 획득하고, 획득된 속성 값들 중 5개의 속성 값을 선택할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 전자 장치(1000)는 더 많은 수의 속성 값을 선택할 수도 있고, 더 적은 수의 속성 값을 선택할 수도 있음은 물론이다.
이하에서는 전자 장치(1000)가 자산 별로 5개의 속성 값인 A속성값, B속성값, C속성값, D 속성값 및 E 속성 값을 선택한 예를 기초로 설명하기로 한다. 전자 장치(1000)는 S2 정제 단계에서, 자산 별 속성 값들 중 일부의 속성 값들을 정규화할 수 있다. 예를 들어, 도 9를 참조하면, 전자 장치(1000)는 S2 정제 단계에서, A속성값, B속성값 및 C 속성값을 정규화할 수 있다. 전자 장치(1000)가 속성 값을 정규화하는 방법은 다양할 수 있으며, 소정의 범위 내 속성 값들을 매칭하기 위한 기타 정규화 알고리즘을 사용할 수 있다.
또한, 전자 장치(1000)는 S2 정제 단계에서, 속성 값들 중 정규화된 일부의 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의, 자산에 대한 연관성을 식별할 수 있다. 예를 들어, 도 9를 참조하면, 전자 장치(1000)는 선택된 A속성값, B속성값, C속성값, D 속성값 및 E 속성값 중, 정규화된 속성 값들(예컨대 A속성값, B속성값, C속성값)을 제외한 나머지 속성 값인 D 속성 값 및 E 속성값의 자산에 대한 연관성을 식별하고, 식별된 연관성에 기초하여, 자산 별 속성 값들 중 D 속성 값 및 E 속성값의 순위를 결정할 수 있다.
S3 사상 단계에서, 전자 장치(1000)는 정규화된 A속성값, 정규화된 B속성값 및 정규화된 C속성값을 각각 RGB 값으로 맵핑할 수 있다. 전자 장치(1000)가 정규화된 속성 값들을 소정의 색체계의 속성 값으로 매칭하는 예는 상술한 바와 같으므로 생략하기로 한다.
S3 사상 단계에서, 전자 장치(1000)는 속성 값들 중 픽셀의 색깔을 결정하는데 사용되지 않은 나머지 속성 값인 D 속성 값 및 E 속성 값의 순위에 기초하여 픽셀의 위치를 결정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 D 속성 값의 순위 및 E 속성 값의 순위가 입력되면, 학습 이미지 내 픽셀의 위치를 출력하는 소정의 위치 함수를 이용하여, 자산 1에 대한 픽셀의 위치를 결정할 수 있다.
그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 D 속성 값의 순위 및 E 속성 값의 순위자체를 학습 이미지의 크기에 기초하여 정규화하고, 정규화된 순위에 기초하여 자산 1에 대한 픽셀의 위치를 결정할 수도 있다. 그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 D 속성 값 및 E 속성 값의 순위를 이용하는 것이 아니라, D 속성 값 및 E 속성 값 자체를 학습 이미지의 크기에 따라 정규화하고, 정규화된 D 속성 값 및 E 속성 값에 기초하여 자산 1에 대한 픽셀의 위치를 결정할 수도 있다.
일 실시 예에 의하면, 학습 이미지 내 각 픽셀의 위치는 2차원 좌표로 결정될 수 있으나, 이에 한정되는 것은 아니다.
S4 배치 단계에서, 전자 장치(1000)는 자산 별 속성 값들에 기초하여 각 자산 별로 대응되는(또는 결정되는) 픽셀의 색깔 및 위치를 결정한 후, 색깔 및 위치가 결정된 픽셀을 이미지 공간 상에 배치함으로써 학습 이미지를 생성할 수 있다. 전자 장치(1000)는 획득된 자산 1 내지 N 각각에 대응되는 픽셀의 색깔 및 위치를 결정하고, 결정된 위치 값에 기초하여 이미지 공간 상에 픽셀을 배치함으로써 학습 이미지를 생성할 수 있다. S5 라벨링 단계, S6 학습 단계 및 S7 예측 단계는 도 4에서 상술한 바에 대응될 수 있으므로 구체적인 설명은 생략하기로 한다.
도 10은 일 실시 예에 따른 전자 장치가 학습 이미지 내 픽셀의 위치를 결정하는 방법을 설명하기 위한 도면이다.
도 10을 참조하면 전자 장치(1000)가 자산 별로 획득된 속성 값들 중, 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 속성 값들이 2개인 경우, 자산 별로 대응되는 픽셀의 위치를 결정하는 예가 도시된다. 일 실시 예에 의하면, 전자 장치(1000)는 D 속성 값의 순위 및 E 속성 값의 순위를 학습 이미지의 크기에 기초하여 정규화하고, 정규화된 D 속성 값의 순위 및 정규화된 E 속성 값의 순위를, 픽셀의 X좌표(1012) 및 픽셀의 Y좌표(1014)로 결정할 수 있다.
그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 D 속성 값의 순위 및 E 속성 값의 순위 값 자체를 학습 이미지 내 픽셀의 좌표로 사용할 수도 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 D 속성 값 및 E 속성 값을 학습 이미지의 크기에 기초하여 정규화하고, 정규화된 D 속성 값 및 정규화된 E 속성 값을 픽셀의 X 및 Y좌표로 결정함으로써, 그림 (1010)과 같이 학습 이미지상에 픽셀을 배치할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 자산 별로 대응되는 픽셀을 이미지 공간 상에 배치함으로써 학습 이미지를 생성하는데, 학습 이미지상의 모든 좌표에 픽셀이 배치되지 않을 수 있으며, 그림 (1020)에 도시된 바와 같이, 이미지 공간상 일부 위치에만 픽셀이 배치됨으로써 학습 이미지가 생성될 수도 있음은 물론이다.
도 11은 일 실시 예에 따른 전자 장치의 블록도이다.
일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 전자 장치(1000)는 타임 시리즈 데이터들을 예측 값을 출력하는 예측 모델 학습을 위한 학습 이미지를 생성하는데 필요한 기타 구성들을 더 포함할 수도 있으며, 더 적은 구성 요소로 마련될 수도 있음은 물론이다.
일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델 생성, 학습 및 이를 위한 학습 데이터를 생성할 수 있는 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, 미디어 플레이어, 서버, 마이크로 서버, 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다.
일 실시 예에 의하면, 본 개시에 따른 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 10에 기재된 전자 장치(1000)의 기능을 수행할 수 있다. 또한, 프로세서(1300)는 하나 또는 복수의 프로세서로 구성될 수 있고, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU와 같은 그래픽 전용 프로세서일 수 있다.
일 실시 예에 의하면, 프로세서(1300)가 복수의 프로세서 또는 그래픽 전용 프로세서로 구현될 때, 복수의 프로세서 또는 그래픽 전용 프로세서 중 적어도 일부는 전자 장치(1000) 및 전자 장치(1000)와 연결된 다른 전자 장치 또는 서버에 탑재될 수도 있다.
예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 하나 이상의 인스트럭션들을 실행함으로써, 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 타임 시리즈 데이터들에 관련된 속성값들을 획득하고, 상기 획득된 속성 값들 중 일부의 속성 값들에 기초하여 상기 픽셀의 색깔을 결정하고, 상기 속성 값들 중, 상기 일부의 속성 값들을 제외한 적어도 하나의 나머지 속성 값들에 기초하여 상기 픽셀의 위치를 결정하고, 상기 결정된 픽셀의 색깔 및 상기 위치에 기초하여 상기 학습 이미지를 생성할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 획득된 속성 값들 중 상기 일부의 속성 값들을 정규화하고, 상기 정규화된 일부의 속성 값들에 기초하여 상기 픽셀의 색깔을 결정할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 획득된 속성 값들 중, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들의 상기 타임 시리즈 데이터에 대한 연관성을 결정하고, 상기 연관성에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 학습 이미지를 라벨링하고, 상기 라벨링된 학습 이미지에 기초하여, 상기 타임 시리즈 데이터와 관련된 이미지가 입력되면 현재 시점으로부터 미리 설정된 시간 구간 동안의 상기 타임 시리즈 데이터의 예측 값을 출력하는 인공 지능 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 획득된 속성 값들 중 일부의 속성 값들 각각에 기초하여 소정의 색체계를 구성하는 적어도 하나의 속성 값을 각각 결정하고, 상기 결정된 속성 적어도 하나의 속성 값에 기초하여 상기 픽셀의 색깔을 결정할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 학습 이미지의 크기에 기초하여, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들을 정규화하고, 상기 정규화된 적어도 하나의 나머지 속성 값들에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정할 수 있다.
일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치와 연결된 외부 디바이스로부터 복수 자산들, 복수 항목들, 복수 통신 기기들에 대한 타임 시리즈 데이터들을 획득할 수 있다. 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 통신부(미도시)는, 근거리 통신부, 이동 통신부를 포함할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 인공 지능 모델, 학습 데이터, 타임 시리즈 데이터, 예측 모델, 라벨링 정보, 인공 지능 모델을 구성하는 파라미터 정보, 인공 지능 모델이 신경망 모델인 경우 인공 신경망을 구성하는 레이어들, 레이어들에 포함된 노드들 및 레이어들의 연결 강도에 관한 가중치들에 대한 정보들을 더 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
일 실시예에 따른 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 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 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. 이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (15)

  1. 전자장치가 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성하는 방법에 있어서,
    시계열적으로 획득되는 데이터인, 타임 시리즈 데이터들에 관련된 속성값들을 획득하는 단계;
    상기 획득된 속성 값들 중 일부의 속성 값들에 기초하여 상기 픽셀의 색깔을 결정하는 단계;
    상기 속성 값들 중, 상기 일부의 속성 값들을 제외한 적어도 하나의 나머지 속성 값들에 기초하여 상기 픽셀의 위치를 결정하는 단계; 및
    상기 결정된 픽셀의 색깔 및 상기 위치에 기초하여 상기 학습 이미지를 생성하는 단계를 포함하고,
    상기 픽셀의 색깔을 결정하는 단계는,
    상기 획득된 속성 값들 중 상기 일부의 속성 값들을 정규화하는 단계; 및
    상기 정규화된 일부의 속성 값들을 RGB 값에 일대일로 매칭함으로써 단위 픽셀의 색깔을 결정하는 단계를 포함하고,
    상기 픽셀의 위치를 결정하는 단계는,
    상기 획득된 속성 값들 중, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들의 상기 타임 시리즈 데이터에 대한 연관성을 결정하는 단계; 및
    상기 연관성에 기초하여 적어도 하나의 속성 값들의 순위를 결정하고, 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의 순위에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정하는 단계를 포함하는, 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서, 상기 방법은
    상기 학습 이미지를 라벨링하는 단계; 및
    상기 라벨링된 학습 이미지에 기초하여, 상기 타임 시리즈 데이터와 관련된 이미지가 입력되면 현재 시점으로부터 미리 설정된 시간 구간 동안의 상기 타임 시리즈 데이터의 예측 값을 출력하는 인공 지능 모델을 학습시키는 단계;를 포함하는, 방법.
  6. 제1항에 있어서, 상기 픽셀의 색깔을 결정하는 단계는
    상기 획득된 속성 값들 중 일부의 속성 값들 각각에 기초하여 소정의 색체계를 구성하는 적어도 하나의 속성 값을 각각 결정하는 단계; 및
    상기 결정된 속성 적어도 하나의 속성 값에 기초하여 상기 픽셀의 색깔을 결정하는 단계; 를 포함하는, 방법.
  7. 제1항에 있어서, 상기 픽셀의 위치를 결정하는 단계는,
    상기 학습 이미지의 크기에 기초하여, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들을 정규화하는 단계; 및
    상기 정규화된 적어도 하나의 나머지 속성 값들에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정하는 단계; 를 포함하는, 방법.
  8. 타입 시리즈 데이터들을 처리하는 전자 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 타임 시리즈 데이터들에 관련된 속성값들을 획득하고,
    상기 획득된 속성 값들 중 일부의 속성 값들에 기초하여 상기 픽셀의 색깔을 결정하고,
    상기 속성 값들 중, 상기 일부의 속성 값들을 제외한 적어도 하나의 나머지 속성 값들에 기초하여 상기 픽셀의 위치를 결정하고,
    상기 결정된 픽셀의 색깔 및 상기 위치에 기초하여 상기 학습 이미지를 생성하고,
    상기 적어도 하나의 프로세서는,
    상기 획득된 속성 값들 중 상기 일부의 속성 값들을 정규화하고, 상기 정규화된 일부의 속성 값들을 RGB 값에 일대일로 매칭함으로써 단위 픽셀의 색깔을 결정하고,
    상기 적어도 하나의 프로세서는,
    상기 획득된 속성 값들 중, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들의 상기 타임 시리즈 데이터에 대한 연관성을 결정하고, 상기 연관성에 기초하여 적어도 하나의 속성 값들의 순위를 결정하고, 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의 순위에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정하는, 전자 장치.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 제8항에 있어서, 상기 적어도 하나의 프로세서는
    상기 학습 이미지를 라벨링하고,
    상기 라벨링된 학습 이미지에 기초하여, 상기 타임 시리즈 데이터와 관련된 이미지가 입력되면 현재 시점으로부터 미리 설정된 시간 구간 동안의 상기 타임 시리즈 데이터의 예측 값을 출력하는 인공 지능 모델을 학습시키는, 전자 장치.
  13. 제8항에 있어서, 상기 적어도 하나의 프로세서는
    상기 획득된 속성 값들 중 일부의 속성 값들 각각에 기초하여 소정의 색체계를 구성하는 적어도 하나의 속성 값을 각각 결정하고,
    상기 결정된 속성 적어도 하나의 속성 값에 기초하여 상기 픽셀의 색깔을 결정하는, 전자 장치.
  14. 제8항에 있어서, 상기 적어도 하나의 프로세서는
    상기 학습 이미지의 크기에 기초하여, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들을 정규화하고,
    상기 정규화된 적어도 하나의 나머지 속성 값들에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정하는, 전자 장치.
  15. 전자 장치가 타임 시리즈 데이터들의 속성값들에 기초하여 결정되는 픽셀의 색깔 및 상기 픽셀의 위치를 이용하여 학습 이미지를 생성하는 방법에 있어서,
    시계열적으로 획득되는 데이터인, 타임 시리즈 데이터들에 관련된 속성값들을 획득하는 단계;
    상기 획득된 속성 값들 중 일부의 속성 값들에 기초하여 상기 픽셀의 색깔을 결정하는 단계;
    상기 속성 값들 중, 상기 일부의 속성 값들을 제외한 적어도 하나의 나머지 속성 값들에 기초하여 상기 픽셀의 위치를 결정하는 단계; 및
    상기 결정된 픽셀의 색깔 및 상기 위치에 기초하여 상기 학습 이미지를 생성하는 단계를 포함하고,
    상기 픽셀의 색깔을 결정하는 단계는,
    상기 획득된 속성 값들 중 상기 일부의 속성 값들을 정규화하는 단계; 및
    상기 정규화된 일부의 속성 값들을 RGB 값에 일대일로 매칭함으로써 단위 픽셀의 색깔을 결정하는 단계를 포함하고,
    상기 픽셀의 위치를 결정하는 단계는,
    상기 획득된 속성 값들 중, 상기 정규화된 속성 값들을 제외한 적어도 하나의 나머지 속성 값들의 상기 타임 시리즈 데이터에 대한 연관성을 결정하는 단계; 및
    상기 연관성에 기초하여 적어도 하나의 속성 값들의 순위를 결정하고, 픽셀의 색깔을 결정하는데 사용된 속성 값들을 제외한 나머지 적어도 하나의 속성 값들의 순위에 기초하여 상기 학습 이미지 내 픽셀의 위치를 결정하는 단계를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020210166943A 2021-11-29 2021-11-29 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치 KR102594173B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210166943A KR102594173B1 (ko) 2021-11-29 2021-11-29 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210166943A KR102594173B1 (ko) 2021-11-29 2021-11-29 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230079802A KR20230079802A (ko) 2023-06-07
KR102594173B1 true KR102594173B1 (ko) 2023-11-16

Family

ID=86761016

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210166943A KR102594173B1 (ko) 2021-11-29 2021-11-29 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102594173B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102215899B1 (ko) 2020-08-18 2021-02-16 그린캣소프트(주) 매대에 진열된 상품을 식별하는 방법 및 이를 수행하는 전자 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102216689B1 (ko) * 2018-11-23 2021-02-17 네이버 주식회사 시계열 의료 데이터를 통한 질병 예후 예측을 위한 딥 뉴럴 네트워크의 분류 결과 시각화 방법 및 시스템
KR102222282B1 (ko) * 2018-11-27 2021-03-04 한국전자기술연구원 자궁 근전도 기반의 조산 위험도 식별방법
KR102342476B1 (ko) * 2019-10-25 2021-12-24 한국과학기술연구원 시설의 센싱 데이터를 이미지화하여 시설의 상태를 판단하는 시스템 및 방법
KR20210063775A (ko) 2019-11-25 2021-06-02 (주)크래프트테크놀로지스 CNN(Convolution Neural Network)을 이용한 자산 가격 예측 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102215899B1 (ko) 2020-08-18 2021-02-16 그린캣소프트(주) 매대에 진열된 상품을 식별하는 방법 및 이를 수행하는 전자 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Top Tip Bio, "How To Normalize A Heat Map In GraphPad Prism." [YouTube], [URL: https://youtu.be/QBmjo-nLR0g]

Also Published As

Publication number Publication date
KR20230079802A (ko) 2023-06-07

Similar Documents

Publication Publication Date Title
Yi et al. ASSD: Attentive single shot multibox detector
CN109791600A (zh) 将横屏视频转换为竖屏移动布局的方法
CN112529026B (zh) 提供ai模型的方法、ai平台、计算设备及存储介质
US11508173B2 (en) Machine learning prediction and document rendering improvement based on content order
US11887215B2 (en) Image processing apparatus and method for style transformation
US11238576B2 (en) Information processing device, data structure, information processing method, and non-transitory computer readable storage medium
US11921777B2 (en) Machine learning for digital image selection across object variations
CN109165645A (zh) 一种图像处理方法、装置以及相关设备
JP6612487B1 (ja) 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム
WO2020240808A1 (ja) 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム
EP3944218A1 (en) Information processing device, information processing method, and program
CN109739869B (zh) 模型运行报告生成方法及系统
CN112668608B (zh) 一种图像识别方法、装置、电子设备及存储介质
CN112101344B (zh) 一种视频文本跟踪方法及装置
CN114600196A (zh) 特定领域的人类模型协同注释工具
CN116740422A (zh) 基于多模态注意力融合技术的遥感图像分类方法及装置
KR20230068989A (ko) 멀티-태스크 모델의 학습을 수행하는 방법 및 전자 장치
KR102401114B1 (ko) UX-bit를 이용한 가치망을 포함하는 자동 디자인 생성 인공신경망 장치 및 방법
CN111695971B (zh) 物品推荐方法、装置和设备及计算机存储介质
KR102594173B1 (ko) 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치
KR102547802B1 (ko) 뉴럴 네트워크를 이용하여 화학 구조를 생성하는 장치 및 방법
CN111062385A (zh) 一种用于图像文本信息检测的网络模型构建方法与系统
CN112749978B (zh) 检测方法、装置、设备、存储介质以及程序产品
CN113821296B (zh) 可视化界面生成方法、电子设备及存储介质
EP3944219A1 (en) Information processing device, information processing method, and program

Legal Events

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